Anormal yürüyüş tespiti için atalet sensörü tabanlı giyilebilir sistem: Bir rehabilitasyon değerlendirme yaklaşımı

Yürüyüş bozuklukları, özellikle protez uzuvların optimal şekilde takılmaması durumunda, asimetrik yürüyüş desenleri ve uzun vadede çeşitli sağlık sorunlarıyla sonuçlanarak bireylerin günlük yaşam aktivitelerini ve rehabilitasyon süreçlerini olumsuz yönde etkileyebilmektedir. Geleneksel yürüyüş analizi yöntemleri büyük ölçüde uzman gözlemlerine dayansa da yapay zekâ ve makine öğrenimi alanındaki ilerlemeler, yürüyüşün otomatik ve nesnel bir biçimde değerlendirilmesine olanak tanıyan yenilikçi çözümler sunmaktadır. Bu çalışmanın temel amacı, alt ekstremite ampute olanlarda anormal yürüyüş paternlerini tespit etmek ve biyogeribildirim aracılığıyla rehabilitasyon süreçlerini desteklemek amacıyla, atalet sensör tabanlı, yapay zekâ ve makine öğrenimi teknolojilerinden faydalanan bir giyilebilir sistem geliştirmektir. Geliştirilen sistem, dört adet atalet sensöründen oluşmakta olup, toplanan ham veriler; sıfır ortalama ve birim varyansa normalize edilerek, 5 saniyelik sabit uzunluktaki ve 4 saniyelik çakışmalı pencerelere bölünmek suretiyle kapsamlı bir ön işleme sürecinden geçirilmiştir. Aykırı değerler, Çeyrekler Arası Aralık yöntemiyle tespit edilerek veri setinden dışlanmıştır. Yürüyüş paternlerinin etiketlenmesinde, yeniden yapılandırma hatalarından faydalanan ve sıralıdan sıralıya çalışan uzun kısa süreli bellek tabanlı bir otokodlayıcı modeli içeren yarı denetimli bir yaklaşım uygulanmıştır. Bunu takiben, kapılı tekrarlayan birim modeli devreye alınmış ve bu model, amputeleri sağlıklı bireylerden ayırt etmede %99’un üzerinde doğruluk sağlamanın yanı sıra, dört sınıflı anomali sınıflandırma görevinde de ortalama %86 doğruluk oranı ile başarılı sonuçlar elde etmiş, uzun kısa süreli bellek ve çift yönlü uzun kısa süreli bellek modellerinin performansını aşmıştır. Bununla birlikte, bu çalışma, ölçeklenebilir yürüyüş değerlendirmeleri için tekrarlayan sinir ağları tabanlı modellerin uygulanabilirliğini ortaya koymakta; giyilebilir sensör teknolojisi, derin öğrenme yöntemleri ve denetimsiz etiketleme yaklaşımlarını bir araya getirmektedir.

Gait disorders, particularly in cases of improper fitting of prosthetic limbs, can lead to asymmetric gait patterns and long-term various health issues, negatively impacting individuals' daily life activities and rehabilitation processes. Although traditional gait analysis methods largely rely on expert observations, advancements in artificial intelligence and machine learning offer innovative solutions for the automatic and objective evaluation of gait. The primary aim of this study is to develop a wearable system based on an inertial measurement unit that leverages artificial intelligence and machine learning technologies to detect abnormal gait patterns in lower extremity amputees and support rehabilitation processes through biofeedback. The developed system consists of four inertial sensors, and the collected raw data were subjected to a comprehensive preprocessing process, normalized to zero mean and unit variance, and segmented into fixed-length 5-second windows with 4-second overlaps. Outliers were identified and excluded from the dataset using the Interquartile Range method. For the labeling of gait patterns, a semisupervised approach was applied, incorporating a long short-term memory-based autoencoder model that utilizes reconstruction errors. Subsequently, a gated recurrent unit model was employed, achieving over 99% accuracy in distinguishing amputees from healthy individuals and successfully obtaining an average accuracy rate of 86% in a four-class anomaly classification task, surpassing the performance of long shortterm memory and bidirectional long short-term memory models. Furthermore, this study demonstrates the applicability of recurrent neural network-based models for scalable gait assessments, integrating wearable sensor technology, deep learning methods, and unsupervised labeling approaches.