体幹・手首の慣性計測ユニット（IMU）を用いた、代償的体幹運動のリアルタイム検出のための機械学習

Abstract

補償的体幹運動（CTM）は脳卒中後によく観察され、不適応な運動パターンにつながり、患部の構造を狙ったトレーニングを制限します。治療中や日常生活動作においてCTMを目的とした連続的な検出を行うことは、必要となる測定セットアップが通常複雑であること、ならびにリアルタイム利用への適用可能性が限られていることにより、依然として困難です。本研究では、2つの慣性計測ユニット（IMU）構成によって機械学習を用いた信頼性の高いリアルタイムCTM検出が可能かどうかを検討します。データは、模擬的な障害条件下で日常生活動作を行う10名の健常者から収集しました（肘装具が屈曲-伸展を制限、レジスタンスバンドが屈筋-共同運動のようなパターンを誘発）。同期された光学式モーションキャプチャ（OMC）と、参照として手動で注釈を付けた動画記録を用いました。OMCによる系統的なロケーション削減分析により、手首と体幹の運動学が、最小限ではあるが十分な解剖学的なセンシング位置であることが特定されました。極端勾配ブースティング分類器（XGBoost）を、被験者ごと除外の交差検証（leave-one-subject-out cross-validation）で評価したところ、提案する2-IMUモデルは強い弁別性能を達成しました（macro-F1 = 0.80 +/- 0.07、MCC = 0.73 +/- 0.08；ROC-AUC > 0.93）。その性能はOMCベースモデルと同等であり、リアルタイムアプリケーションに適した予測タイミングも示しました。説明可能性分析では、体幹のダイナミクスと、手首-体幹の相互作用特徴が支配的な寄与を持つことが明らかになりました。神経学的状態を持つ4名の被験者の記録を用いた予備評価では、モデルは良好な弁別能力を維持しました（ROC-AUC ~ 0.78）が、一方で閾値に依存した性能が低下し、かつ変動することが示され、臨床における汎化の難しさが浮き彫りになりました。これらの結果は、治療および日常生活におけるCTMを大規模かつリアルタイムにモニタリングするための実行可能な経路として、疎なウェアラブルセンシングが有望であることを支持します。