高齢者における歩行分析と説明可能な深層学習を用いた転倒者と非転倒者の分類
カテゴリ：公衆衛生・予防医療
公開日：2026年5月7日
タイトル：Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning
雑誌名：Sci Rep. 2026 Mar 21; 16(1): doi: 10.1038/s41598-026-44368-w.
概 要：
高齢者の転倒は重大な公衆衛生上の懸念であり、効果的な予防にはリスクを高める生体力学的および機能的要因の特定が必要です。本研究では、163人の70～98歳の個人から6チャンネルの加速度および角速度データを収集し、転倒歴に基づいて分類しました。参加者は30分間の歩行タスクを実施し、得られた歩行信号を用いて転倒歴を分類しました。従来の機械学習アルゴリズムと深層学習モデル（LSTMおよびCNN）を比較し、データレベルの10分割交差検証と被験者ごとの交差検証を行いました。結果、CNNは転倒歴分類で96%の精度を達成し、従来の手法を大きく上回りました。
方 法：
本研究は、163人の高齢者を対象にしたコホート研究です。参加者は転倒歴に基づいて分類され、30分間の歩行タスクを実施しました。IMUを用いて収集したデータを基に、従来の機械学習アルゴリズムとLSTM、CNNを用いた深層学習モデルを比較しました。主要評価指標は、転倒歴の分類精度です。
結 果：
LSTMは転倒歴分類で95%の精度を達成し、CNNは96%を達成しました。より厳しい条件下での交差検証では、CNNが92%の精度を維持しました。また、年齢層分類や被験者識別においても強いパフォーマンスを示しました。LIMEを用いた解析により、転倒者の分類決定は主に立脚期の不規則性によって駆動されていることが明らかになりました。
結 論：
IMUを用いた深層学習は、転倒歴を高精度で分類できることが示され、転倒リスク予測モデルの開発に寄与する可能性があります。