Н.В. Дорофеев1, Р.В. Шарапов2, М.С. Горячева3

1–3 ФГБОУ ВО «Владимирский государственный университет им. А.Г. и Н.Г. Столетовых» (г. Владимир, Россия)
1 dorofeevnv@yandex.ru, 2 sharapov76@gmail.com, 3 maximgoryachev97@yandex.ru

Постановка проблемы. Применение смартфона для мониторинга состояния здоровья человека уже более десяти лет вызывает интерес. Однако, в настоящее время его основной функционал сводится к отслеживанию движений человека (в основном походки) и оценке статистических показателей. Использование смартфона для прогнозирования изменений состояния здоровья по походке является малоизученным направлением. Существующие исследования из этой области на данный момент ограничиваются только задачами диагностики, которые решаются на основе методов машинного обучения при классификации статистических данных о походке здоровых и больных.

Цель. Исследование эффективности алгоритмов машинного обучения для прогнозирования головных болей по акселерограмме походки в автоматизированной системе поддержки принятия медицинских решений на основе измерений мобильным устройством.

Результаты. Приведено описание методики сбора и предварительной обработки данных о походке на основе использования мобильного телефона. Приведены результаты исследования эффективности различных алгоритмов машинного обучения для предсказания на основе анализа акселерограмм походки головных болей. Выявлено, что наиболее точные предсказания можно получить при использовании ансамблей нейронных сетей. При числе нейронных сетей в ансамбле от семи и более величина Accuracy составляет 0,97.

Практическая значимость. Полученные в ходе исследования результаты на примере прогнозирования головных болей показывают возможность проведения в реальных условиях дистанционного мониторинга здоровья по анализу данных о походке с применением мобильного телефона. Применение предлагаемого алгоритма на практике позволило повысить до 0,97 точность прогнозирования головных болей по данным акселерограммы походки.

Дорофеев Н.В., Шарапов Р.В., Горячева М.С. Использование смартфона для прогнозирования появления головной боли по акселерограмме походки // Биомедицинская радиоэлектроника. 2025. T. 28. № 1. С. 75−82. DOI: https://doi.org/10.18127/ j15604136-202501-06

1. Mathkar D. M., Mathkar N., Bassfar Z., Bantun F., Slama P., Ahmad F., Haque S. Multirole of the internet of medical things (IoMT) in biomedical systems for managing smart healthcare systems: An overview of current and future innovative trends // Journal of infection and public health. 2024. V. 17. № 4. P. 559–572. doi: https://doi.org/10.1016/j.jiph.2024.01.013.
2. Gard M., Parihar A., Rahman M.S. Advanced and personalized healthcare through integrated wearable sensors (versatile) // Materials advances. 2024. V. 5. № 2. P. 432–452. doi:10.1039/d3ma00657c.
3. Guler U., Tufan T.B., Chakravarti A., Jin Y., Ghovanloo M. Implantable and wearable sensors for assistive technologies // Encyclopedia of sensors and biosensors. 2023. V. 3. P. 449–473. doi: https://doi.org/10.1016/B978-0-12-822548-6.00072-8.
4. Leibold A., Ali D.M., Harrop J., Sharan A., Vaccaro A.R., Sivaganesan A. Smartphone-based activity tracking for spine patients: current technology and future opportunities // Word neurosurgery: X. 2024. V. 21. 100238. P. 1–7. doi: https://doi.org/10.1016 /j.wnsx.2023.100238.
5. Sikander S., Biswas P., Kulkarni P. Recent advancements in telemedicine: surgical, diagnostic and consultation devices // Biomedical engineering advances. 2023. V. 6. P. 1–15. doi: https://doi.org/10.1016/j.bea.2023.100096.
6. Thapa R., Poudel S., Krukiewicz K., Kunwar A. A topical review on AI-interlinked biodomain sensors for multi-purpose applications // Measurement. 2024. V. 227. 114123. doi: https://doi.org/10.1016/j.measurement.2024.114123.
7. Dorofeev N.V., Sharapov R.V., Goryachev M.S., Romanov R.V. Features of smartphone diagnostics of human health based on gait parameters // Proceedings of the 2023 IEEE 16th International scientific and technical conference actual problems of electronic instrument engineering (APEIE). Novosibirsk: Russian Federation. 2023. P. 280–283. doi: https://doi.org/10.1109/APEIE59731.2023.10347741.
8. Jayasinghe U., Hwang F., Harwin W.S. Comparing loose clothing-mounted sensors with body-mounted sensors in the analysis of wal­king // Sensors. 2022. V. 22. № 17. 6605. P. 1–16. doi: https://doi.org/10.3390/s22176605.
9. Jiao Y., Hart R., Reading S., Zhang Y. Systematic review of automatic post-stroke gait classification systems // Gait & Posture. 2024. V. 109. P. 259–270. doi: https://doi.org/10.1016/j.gaitpost.2024.02.011.
10. Parashar A., Parashar A., Shabaz M., Gupta D., Sahu A.K., Khan M.A. Advancements in artificial intelligence for biometrics: A deep dive into model-based gait recognition techniques // Engineering applications of artificial intelligence. 2024. V. 130. 107712. doi: https://doi.org/10.1016/j.engappai.2023.107712.
11. Aartolahti E. Comparison of spatiotemporal gait parameters in indoor and outdoor walking among older adults // Archives of physical medicine and rehabilitation. 2024. V. 105. № 4. P. e85–e86. doi: https://doi.org/10.1016/j.apmr.2024.02.240.
12. Lin G., Zhao X., Wang W., Wilkinson T. The relationship between forward head posture, postural control and gait: a systematic review // Gait & Posture. 2022. V. 22. P. 316–329. doi: https://doi.org/10.1016/j.gaitpost.2022.10.008.
13. Zawada MS S.J., Aissa MBBS N.H., Conte MD G.M., Pollock MS B.D., Athreya MS A.P., Erikson MD B.J., Demaerschalk MSc MD B.M. In situ physiologic and behavioral monitoring with digital sensors for cerebrovascular Disease: A Scoping Review // Mayo Clinic Proceedings: Digital Health. 2023. V. 1. № 2. P. 139–160. doi: https://doi.org/10.1016/j.mcpdig.2023.03.007.
14. Liang A. Assessing gait dysfunction severity in Parkinson’s Disease using 2-Stream spatial-temporal neural network // Journal of biomedical informatics. 2024. 104679. doi: https://doi.org/10.1016/j.jbi.2024.104679.
15. Dorofeev N., Sharapov R., Goryachev M., Kochetkova S., Kostyukhina A. Observing temporary changes in gait using a mobile phone // E3S Web of Conferences. 2024. V. 541. 03007. P. 1–6. doi: https://doi.org/10.1051/e3sconf/202454103007.
16. Recenti M., Garguilo P., Chang M., Ko S.B., Kim T.J., Ko S.U. Predicting stroke, neurological and movement disorders using single and dual-task gait in Korean older population // Gait & Posture. 2023. V. 105. P. 92–98. doi: https://doi.org/10.1016/ j.gaitpost.2023.07.282.
17. Abujrida H., Agu E., Pahlavan K. DeepMed: Deep learning-based medication adherence of Parkinson’s disease using smartphone gait analysis // Smart Health. 2023. V. 30. 100430. doi: https://doi.org/10.1016/j.smhl.2023.100430.
18. Gabriel C.L., Pires I.M., Coelho P.J., Zdravevski E., Lameski P., Mewada H., Madeira F., Garcia N.M., Carreto C. Mobile and wearable technologies for the analysis of ten meter walk test: A concise systematic review. Heliyon. 2023. V. 9. № 6. e16599. P. 1–29. doi: https://doi.org/10.1016/j.heliyon.2023.e16599.
19. Dorofeev N.V., Grecheneva A.V. Algorithm for motion detection and gait classification based on mobile phone accelerometer data // Izvestiya of Saratov University. Mathematics. Mechanics. Informatics. 2023. V. 23. № 4. P. 531–543. doi: https://doi.org/10.18500/ 1816-9791-2023-23-4-531-543.
20. Gabriel C.L., Pires I.M., Goncalves N.J., Coelho P.J., Zdravevski E., Lameski P., Albuquerque C., Garcia N.M., Carreto C. Ten meter walk test with mobile devices: A dataset with accelerometer, magnetometer, and gyroscope // Data in Brief. 2024. V. 52. 109867. P. 1–28. doi: https://doi.org/10.1016/j.dib.2023.109867.
21. Regev K., Eren N., Yekutieli Z., Karinski K., Massri A., Vigiser I., Kolb H., Piura Y., Karni A. Smartphone-based gait assessment for multiple sclerosis // Multiple sclerosis and related disorders. 2024. V. 82. 105394. doi: https://doi.org/10.1016/j.msard.2023.105394.
22. Avola D., Cinque L., Marsico M.D., Fagioli A., Foresti G.L., Mancini M., Mecca A. Signal enhancement and efficient DTW-based comparison for wearable gait recognition // Computers & Security. 2024. V. 137. 103643. P. 1–8. doi: https://doi.org/10.1016/ j.cose.2023.103643.
23. Gadaleta M., Rossi M. IDNet: Smartphone-based gait recognition with convolutional neural networks // Pattern recognition. 2018. V. 74. P. 25–37. doi: https://doi.org/10.1016/j.patcog.2017.09.005.
24. Shaban M. A novel variational mode decomposition based convolutional neural network for the identification of freezing of gait intervals for patients with Parkinson’s disease // Machine learning with applications. 2024. V. 16. 100553. P. 1–12. doi: https://doi.org/10.1016/j.mlwa.2024.100553.
25. Sezavar A., Atta R., Ghanbari M. DCapsNet: Deep capsule networks for human activity and gait recognition with smartphone sensors // Pattern recognition. 2024. V. 147. 110054. doi: https://doi.org/10.1016/j.patcog.2023.110054.
26. Shen S., Sun S.S., Li W.J., Wang R.C. A classifier based on multiple feature extraction blocks for gait authentication using smartphone sensors. Computer and electrical engineering. 2023. V. 108. 108663. doi: https://doi.org/10.1016/ j.compeleceng.2023.108663.