⚡ electrical engineering

Early Prediction of Imminent Intrinsically Generated Trips During Gait in People Post-Stroke

Este estudo desenvolveu e validou um preditor precoce e direcionado utilizando um modelo linear de duas características que identifica com sucesso 88% dos passos iminentes intrinsecamente gerados em pessoas pós-AVC aproximadamente 191 ms antes do início do passo, permitindo intervenções em tempo real oportunas e necessárias para prevenir quedas.

Autores originais: Austin Louis Mituniewicz, He (Helen) Huang, John M. Baratta, Michael D. Lewek

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Austin Louis Mituniewicz, He (Helen) Huang, John M. Baratta, Michael D. Lewek

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Para milhões de pessoas que vivem com as sequelas de um acidente vascular cerebral (AVC), o simples ato de caminhar carrega um perigo oculto. Embora muitos assumam que uma queda é resultado de perda de equilíbrio ou de tropeçar em um objeto, um número significativo desses acidentes acontece devido a uma falha dentro do próprio movimento do corpo. Enquanto uma pessoa caminha, sua perna balança para frente em um arco suave. Às vezes, sem qualquer obstáculo externo, o pé não se eleva o suficiente e raspa contra o chão. Esse tropeço interno, conhecido como um tropeço gerado intrinsecamente, pode fazer com que a perna prenda, desequilibrando a pessoa e frequentemente levando a uma queda. Para sobreviventes de AVC, tais quedas são particularmente devastadoras, resultando frequentemente em ossos quebrados, perda de independência e um medo profundo de voltar a caminhar. Embora a fisioterapia ajude muitos, ela nem sempre impede esses tropeços, e a reação natural do corpo a um tropeço é frequentemente lenta demais para evitar uma queda. Isso deixa uma lacuna crítica: como a tecnologia pode intervir rapidamente o suficiente para interromper um tropeço antes que ele aconteça, sem interferir constantemente na caminhada normal?

Uma equipe de pesquisadores da Universidade da Carolina do Norte em Chapel Hill e da Universidade Estadual da Carolina do Norte propôs-se a construir um sistema que pudesse prever esses tropeços internos antes que ocorram. O objetivo deles era criar um método que atuasse como uma rede de segurança inteligente, intervindo apenas quando necessário. Eles recrutaram onze indivíduos que haviam sofrido um AVC pelo menos seis meses antes e que haviam relatado pelo menos um tropeço ou quase-queda nos últimos seis meses. Para estudar esses eventos em um ambiente controlado, os participantes caminharam em uma esteira enquanto os pesquisadores desafiavam gentilmente seu foco. Os participantes foram solicitados a desviar o olhar de seus pés, soltar os corrimãos ou realizar tarefas mentais, como nomear alimentos, simulando as distrações que frequentemente levam a acidentes no mundo real. Enquanto caminhavam, os pesquisadores usaram câmeras de captura de movimento para rastrear os movimentos precisos de suas pernas e registraram as forças que seus pés faziam contra a correia da esteira.

O desafio para os pesquisadores era que esses tropeços são raros. Nos milhares de passos que os participantes deram, apenas uma pequena fração resultou em um tropeço ou em um arrasto significativo contra o chão. Para treinar um computador para reconhecer esses eventos raros, a equipe teve que ensiná-lo a detectar os sinais de alerta sutis que aparecem pouco antes de um pé prender. Eles focaram nos momentos imediatamente anteriores ao pé deixar o chão, uma fase da caminhada chamada fase de apoio tardio. Ao analisar o ângulo da parte inferior da perna e a velocidade do balanço, eles buscaram padrões que diferiam de um passo normal e suave. Eles agruparam os dados em duas categorias: passos normais e passos "anormais", que incluíam tanto tropeços completos quanto aqueles arrastos pesados onde o pé atingiu o chão, mas a pessoa conseguiu se recuperar.

Os pesquisadores testaram duas maneiras diferentes de ajudar o computador a aprender com esses dados desequilibrados, onde os passos normais superavam vastamente os perigosos. Um método envolvia remover alguns dos passos normais para tornar os grupos mais iguais, enquanto o outro método simplesmente dizia ao computador para tratar um erro em um passo perigoso como um erro muito maior do que um erro em um passo normal. A segunda abordagem provou ser mais eficaz. O computador aprendeu que o sinal de alerta mais confiável era o ângulo da parte inferior da perna logo antes de ela se levantar do chão. Quando um tropeço estava prestes a acontecer, a parte inferior da perna tendia a estar posicionada de forma mais horizontal, ou mais plana, do que o normal. Ao observar essa postura específica, o sistema podia identificar um potencial tropeço com alta precisão.

A descoberta mais significativa foi o quão cedo o sistema conseguia fazer essa previsão. O computador conseguia sinalizar um potencial tropeço, em média, 191 milissegundos antes de o tropeço realmente começar. Esta é uma janela de tempo crucial. É significativamente anterior ao momento em que o pé deixa o chão, que é quando dispositivos atuais, como estimuladores elétricos, normalmente são ativados. Como os músculos levam tempo para reagir a um sinal elétrico, esperar até que o pé já esteja fora do chão é frequentemente tarde demais para prevenir uma queda. Ao prever o tropeço quase 200 milissegundos antes, o sistema fornece tempo suficiente para que um dispositivo estimule os músculos da perna e eleve o pé mais alto, limpando o chão antes que ocorra o contato. O sistema também foi testado em participantes cujos dados não foram usados para construir o modelo, e apresentou um bom desempenho, identificando corretamente tropeços em cinco de oito participantes e prevendo quase 90 por cento de todos os tropeços no geral.

Embora o estudo tenha sido conduzido em um ambiente de laboratório com um número limitado de participantes, os resultados sugerem um caminho promissor. Os pesquisadores não construíram um dispositivo vestível que as pessoas possam usar hoje, mas demonstraram que os dados necessários para prever um tropeço existem e podem ser encontrados usando sensores simples que rastreiam o movimento das pernas. O trabalho destaca que a chave para prevenir essas quedas não reside na assistência constante, que pode ser cansativa e desnecessária, mas sim na intervenção precisa e oportuna. Ao compreender as assinaturas cinemáticas específicas de um tropeço antes que ele aconteça, engenheiros podem projetar futuras tecnologias assistivas que atuem apenas quando o corpo delas precisar, oferecendo uma maneira mais segura e independente de caminhar para aqueles que estão se recuperando de um AVC.

Resumo Técnico: Predição Precoce de Tropessos Intrínsecos Iminentes Durante a Marcha em Pessoas Pós-AVC

Definição do Problema
Quedas em pessoas pós-AVC resultam frequentemente de tropeços intrinsecamente gerados (TIGs) — contatos inesperados entre o pé e o solo durante a fase de balanço sem obstáculos externos. Embora o treinamento físico seja uma intervenção comum, ele frequentemente falha em reduzir as taxas de queda nesta população devido a respostas neuromusculares atrasadas e déficits de ativação voluntária. As soluções de engenharia existentes, como órteses tornozelo-pé (AFOs) e estimuladores de estimulação elétrica funcional (FES) para pé caído, operam em uma base de "sempre ligado". Essa abordagem pode ser restritiva, causar fadiga muscular e, criticamente, pode ser acionada tarde demais para prevenir um tropeço devido ao atraso eletromecânico (EMD) entre a excitação muscular e a geração de força. Os métodos de predição atuais frequentemente dependem de modelos específicos para cada pessoa, exigindo a coleta prévia de dados de tropeço, ou dependem de eventos discretos da marcha (como o desprendimento do pé) que limitam o tempo disponível para a intervenção. O desafio é desenvolver um sistema de predição generalizado e precoce que opere em tempo real utilizando sensores cinemáticos limitados, proporcionando tempo de antecedência suficiente para que uma intervenção atue antes que o tropeço ocorra.

Metodologia
O estudo envolveu 11 indivíduos com AVC crônico (hemiparesia) caminhando em uma esteira instrumentada de correia dividida (split-belt). Para induzir TIGs, os pesquisadores empregaram distratores não ambientais (ex: tarefas cognitivas, rotações de cabeça) e variaram as velocidades de caminhada. Os dados foram coletados com um sistema de captura de movimento de 10 câmeras e esteira instrumentada a 120 Hz e ≥960 Hz, respectivamente.

Rotulagem de Dados e Definição de Classe: Os pesquisadores identificaram visualmente 58 TIGs de 8 dos 11 participantes. Para abordar o severo desequilíbrio de classes (112:1 de passadas normais para TIGs), a classe "anormal" foi expandida para incluir tanto TIGs quanto "arrastamentos grandes" (large scuffs — passadas com força de reação do solo vertical de pico [vGRF] ≥ 20 N durante o balanço, mas sem desvio cinemático visível). Isso reduziu o desequilíbrio para 22:1.
Extração de Características: As características foram derivadas exclusivamente da cinemática dos planos sagitais da coxa e da canela do lado parético (posições angulares, velocidades, acelerações) e de um estimador de fase linear ( $\Phi$ ). Os dados foram segmentados em nove janelas sobrepostas definidas pelo estimador contínuo da fase da marcha durante a fase de apoio tardio e pré-balanço ( $\Phi \in (25\%, 50\%]$ ).
Desenvolvimento do Modelo: Um algoritmo de Seleção Direta Sequencial (SFS) foi utilizado para selecionar características para um Máquina de Vetores de Suporte (SVM) de núcleo linear. Dois métodos para lidar com o desequilíbrio de classes foram testados: NearMiss3 (um método de subamostragem de nível de dados) e uma abordagem de "custo balanceado" sensível ao custo.
Estratégia de Predição Precoce: Para permitir a predição antes do fim da janela de análise, foi implementada uma abordagem baseada em contador. O modelo conta o número de amostras rotuladas como "anormais" dentro da janela final ( $\Phi \in (45\%, 50\%]$ ). Um limiar foi estabelecido para disparar uma predição assim que um número específico de amostras anormais fosse detectado, permitindo a intervenção antes que a janela se conclua.
Validação: O sistema foi avaliado utilizando validação cruzada Leave-One-Participant-Out (LOPO). O desempenho foi comparado contra uma recreação do método de detecção de outliers específico de pessoa de Zhang et al., utilizando características generalizadas.

Principais Resultados

Precisão de Predição: O modelo final, utilizando o método de custo balanceado e características da janela $\Phi \in (45\%, 50\%]$ (especificamente ângulo da canela e cadência instantânea), alcançou uma sensibilidade média de 88% (DP 0,17) e uma especificidade de 68% (DP 0,17) entre os oito participantes com dados de tropeço. Isso corresponde a uma taxa de falso positivo de 32%.
Tempo: O sistema previu TIGs significativamente mais cedo do que métodos anteriores. A predição média ocorreu 191 ± 77 ms antes do início do TIG. Em contraste, o método de comparação (Zhang et al.) realizou predições no desprendimento do pé (foot-off), que ocorreu apenas 86 ± 39 ms antes do início do TIG. A diferença foi estatisticamente significativa ( $p=0,008$ ).
Significância das Características: O ângulo da canela na fase de apoio tardio ( $\Phi \in (45\%, 50\%]$ ) foi o preditor individual mais forte. A análise de dados não normalizados revelou que a canela estava significativamente mais orientada horizontalmente antes de um TIG ( $-31,8^\circ$ ) em comparação com passadas normais ( $-27,8^\circ$ ).
Generalização: O modelo previu com sucesso 100% dos TIGs para cinco dos oito participantes. Em uma validação preliminar com três participantes excluídos do treinamento (que não apresentavam TIGs, mas possuíam níveis variados de "arrastamentos grandes" ou marcha normal), o modelo manteve alta precisão, prevendo corretamente 96% dos arrastamentos grandes para um participante e 100% das passadas para outro.
Comparação com o Estado da Arte: Embora a Área Sob a Curva (AUC) do novo método (0,81 ± 0,15) não tenha sido estatisticamente diferente da recreção do método de Zhang et al. (0,77 ± 0,16), o novo método ofereceu um horizonte de predição significativamente mais longo.

Significância e Alegações
Os autores afirmam que este trabalho representa um passo significativo em direção à prevenção direcionada de quedas relacionadas a tropeços em pessoas pós-AVC. A principal contribuição é um algoritmo de predição precoce e generalizado que não requer a coleta prévia de dados de tropeço do usuário específico para funcionar efetivamente. Ao prever tropeços aproximadamente 190 ms antes do início (cerca de 100 ms antes do desprendimento do pé), o sistema fornece uma janela de tempo que potencialmente excede o atraso eletromecânico da estimulação muscular. Isso sugere que o método pode ser integrado com tecnologias assistivas, como o FES, para intervir seletivamente apenas quando um tropeço é iminente, evitando assim as desvantagens da estimulação contínua (fadiga, irritação na pele) e de braçadeiras restritivas. O estudo enfatiza que, embora os resultados offline sejam encorajadores, o método foi desenhado com foco em implementação futura em tempo real, utilizando fontes de dados (cinemática da coxa e da canela) que podem ser adquiridas via unidades de medida inercial (IMUs).

Mais como este