运动序列：量化人类步态构建块的新方法

到 2050 年，美国人口将有四分之一超过 65 岁，其中超过 40% 的风险会发展出致命的肌肉骨骼病症。穿戴式设备（如 Apple AirPods 和听力矫形器）为提供基于个人的预防性和预测性健康监测提供了潜力，但目前仍处于萌芽阶段。如今已大量存在捕获实际世界运动的开放性数据。利用现有穿戴技术检测步态细微变化的算法，已成功用于确定人群水平统计数据，但从人群数据中解析个体层面的变异更为困难。类似基因序列化，个体的步态模式可通过将运动信号分解为其基本特征来辨认，从而检测“突变”或对模式的变化，这些变化是病理的早期指标——基于运动的生物标志物。我们发展了一种新方法，在个体层面量化“正常基线运动”，将实验室步态方法与用于表征恒星振荡的方法相结合。我们通过要求参与者佩戴 AirPods 完成户外循环路径来测试该方法，使用正骨矫形器模拟病理情况。我们发现，我们提出的新特征足够敏感，可在人群水平和个体层面区分正常步行与矫形器步行，且在所有传感器方向上均为 p < 0.05。我们还对人群水平和个体水平模型执行主成分分析，发现个体之间以及整体人群模型与大多数个体之间存在显著差异。我们还展示了这些步态特征在深度学习应用中的潜力。