Early Prediction of Imminent Intrinsically Generated Trips During Gait in People Post-Stroke
Deze studie heeft een vroege, gerichte voorspeller ontwikkeld en gevalideerd met behulp van een tweefactoren lineair model dat met succes 88% van de naderende intrinsiek gegenereerde bewegingen bij mensen na een beroerte identificeert ongeveer 191 ms voor het begin van de beweging, wat tijdige en noodzakelijke realtime interventies mogelijk maakt om vallen te voorkomen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Voor miljoenen mensen die leven met de nasleep van een beroerte, brengt de eenvoudige handeling van het lopen een verborgen gevaar met zich mee. Terwijl velen aannemen dat een val het gevolg is van het verlies van evenwicht of het struikelen over een object, gebeurt een aanzienlijk aantal van deze ongelukken door een fout binnen de eigen beweging van het lichaam. Terwijl een persoon loopt, zwaait het been in een vloeiende boog naar veden. Soms, zonder enige externe hindernis, tilt de voet niet hoog genoeg op en schraapt deze langs de vloer. Deze interne struikeling, bekend als een intrinsiek gegenereerde struikeling, kan ervoor zorgen dat het been blijft haken, waardoor de persoon uit evenwicht raakt en vaak tot een val leidt. Voor mensen die een beroerte hebben gehad, zijn dergelijke vallen bijzonder verwoestend en resulteren ze vaak in botbreuken, verlies van onafhankelijkheid en een diepgewortelde angst om weer te gaan lopen. Hoewel fysiotherapie velen helpt, stopt het deze struikelingen niet altijd, en de natuurlijke reactie van het lichaam op een struikeling is vaak te traag om een val te voorkomen. Dit laat een kritieke kloof achter: hoe kan technologie snel genoeg ingrijpen om een struikeling te stoppen voordat deze plaatsvindt, zonder constant in te grijpen bij het normale lopen?
Een team onderzoekers aan de University of North Carolina at Chapel Hill en North Carolina State University zette zich in om een systeem te bouwen dat deze interne struikelingen kon voorspellen voordat ze plaatsvinden. Hun doel was om een methode te creëren die werkt als een slim vangnet, dat alleen ingrijpt wanneer dat nodig is. Ze rekruteerden elf individuen die minstens zes maanden eerder een beroerte hadden gehad en in de afgelopen zes maanden ten minste één struikeling of bijna-val hadden gerapporteerd. Om deze gebeurtenissen in een gecontroleerde omgeving te bestuderen, liepen de deelnemers op een loopband terwijl de onderzoekers hun concentratie voorzichtig uitdaagden. De deelnemers werden gevragen om weg te kijken van hun voeten, de leuningen los te laten, of mentale taken uit te voeren zoals het noemen van voedsel, wat de afleidingen simuleert die vaak leiden tot ongelukken in de echte wereld. Terwijl zij liepen, gebruikten de onderzoekers motion-capture camera's om de precieze bewegingen van hun benen te volgen en registreerden zij de krachten die hun voeten tegen de loopband uitoefenden.
De uitdaging voor de onderzoekers was dat deze struikelingen zeldzaam zijn. In de duizenden stappen die de deelnemers zetten, resulteerde slechts een klein deel in een struikeling of een aanzienlijke schraap over de vloer. Om een computer te trainen om deze zeldzame gebeurtenissen te herkennen, moest het team de computer leren om de subtiele waarschuwingssignalen te spotten die verschijnen vlak voordat een voet blijft haken. Ze richtten zich op de momenten vlak voordat de voet de grond verlaat, een fase van het lopen die de late standfase wordt genoemd. Door de hoek van het onderbeen en de snelheid van de zwaai te analyseren, zochten ze naar patronen die verschilden van een normale, vloeiende stap. Ze groepeerden de gegevens in twee categorieën: normale stappen en "abnormale" stappen, die zowel volledige struikelingen als die zware schraapmomenten bevatten waarbij de voet de grond raakte maar de persoon de controle behield.
De onderzoekers testten twee verschillende manieren om de computer te helpen leren van deze ongebalanceerde data, waarbij normale stappen de gevaarlijke stappen ver overtroffen. Eén methode hield in dat sommige van de normale stappen werden verwijderd om de groepen gelijker te maken, terwijl de andere methode de computer simpelweg vertelde dat een fout bij een gevaarlijke stap als een veel grotere fout werd beschouwd dan een fout bij een normale stap. De tweede aanpak bleek effectiever. De computer leerde dat het meest betrouwbare waarschuwingssignaal de hoek van het onderbeen was vlak voordat het de grond verliet. Wanneer een struikeling op het punt stond te gebeuren, was het onderbeen meestal meer horizontaal, of platter, gepositioneerd dan normaal. Door te letten op deze specifieke houding, kon het systeem een potentiële struikeling met hoge nauwkeurigheid identificeren.
De meest significante bevinding was hoe vroeg het systeem deze voorspelling kon doen. De computer kon een potentiële struikeling gemiddeld 191 milliseconden voordat de struikeling daadwerkelijk begon, signaleren. Dit is een cruciaal tijdsvenster. Het is aanzienlijk eerder dan het moment waarop de voet de grond verlaat, het moment waarop veel huidige apparaten, zoals elektrische stimulatoren, doorgaans activeren. Omdat spieren tijd nodig hebben om te reageren op een elektrisch signaal, is wachten tot de voet al van de grond is vaak te laat om een val te voorkomen. Door de struikeling bijna 200 milliseconden van tevoren te voorspellen, biedt het systeem voldoende tijd voor een apparaat om de beenspieren te stimuleren en het been hoger op te tillen, waardoor het de grond passeert voordat de hapering optreedt. Het systeem werd ook getest op deelnemers van wie de gegevens niet waren gebruikt om het model te bouwen, en het presteerde goed; het identificeerde struikelingen correct bij vijf van de acht deelnemers en voorspelde bijna 90 procent van alle struikelingen in totaal.
Hoewel de studie in een laboratoriumsetting werd uitgevoerd met een beperkt aantal deelnemers, suggereren de resultaten een veelbelovend pad voorwaarts. De onderzoekers hebben geen draagbaar apparaat gebouwd dat mensen vandaag de dag kunnen gebruiken, maar zij hebben aangetoond dat de gegevens die nodig zijn om een struikeling te voorspellen aanwezig zijn en gevonden kunnen worden met eenvoudige sensoren die de beenbeweging volgen. Het werk benadrukt dat de sleutel tot het voorkomen van deze vallen niet ligt in constante assistentie, wat vermoeiend en onnodig kan zijn, maar in precieze, tijdige interventie. Door de specifieke kinematische kenmerken van een struikeling te begrijpen voordat deze plaatsvindt, kunnen ingenieurs toekomstige ondersteunende technologieën ontwerpen die alleen ingrijpen wanneer het lichaam dat nodig heeft, wat een veiligere en onafhankelijke manier van lopen biedt voor degenen die herstellen van een beroerte.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.