Segmentación de marcha espaciotemporal móvil utilizando un sensor de movimiento para llevar en la oreja y aprendizaje profundo

Las tecnologías de salud móvil permiten la evaluación continua y cuantitativa de la movilidad y la marcha en entornos del mundo real, facilitando diagnósticos tempranos de trastornos de la marcha, monitoreo de la progresión de enfermedades y predicción de eventos adversos como caídas. Tradicionalmente, la evaluación de la marcha móvil se basaba predominantemente en sensores fijos al cuerpo posicionados en los pies o el tronco inferior. Aquí, investigamos el potencial de un algoritmo que utiliza un sensor de movimiento para llevar en la oreja para la segmentación espaciotemporal de patrones de marcha. Recopilamos perfiles de aceleración 3D del sensor portátil en la oreja durante diversas velocidades de marcha en 53 adultos sanos. Se entrenaron redes neuronales convolucionales temporales para detectar secuencias de pasos y predecir las relaciones espaciales entre pasos. El algoritmo resultante, mEar, detecta con precisión los contactos iniciales y finales con el terreno (puntuación F1 del 99% y 91%, respectivamente). Permite la determinación de características del ciclo de marcha temporales y espaciales (entre otras, tiempo de zancada y longitud de zancada) con buena a excelente validez a una precisión suficiente para monitorear cambios clínicamente relevantes en la velocidad de marcha, variabilidad de una zancada a otra y asimetría lateral. Este estudio destaca la oreja como un sitio viable para monitorear la marcha y propone su posible integración con el monitoreo de signos vitales en el oído. Tal integración ofrece un enfoque práctico para el monitoreo integral de la salud y aplicaciones telemédicas, al integrar múltiples sensores en una única ubicación anatómica.