moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.50.3.004 1942 Автоматическая детекция событий походки с использованием рекуррентных нейронных сетей Automatic detection of gait events using recurrent neural networks Клишковская Татьяна Алексеевна Klishkovskaia Tatiana Alekseevna tatianaklishkov@mail.ru aff-1 Аксенов Андрей Юрьевич Aksenov Andrey a.aksenov@hotmail.com aff-2 Богданов Илья Владимирович Bogdanov Ilia ibo@mail.ru aff-3 Некрасова Екатерина Александровна Nekrasova Ekaterina necrasova.ekaterina@yandex.ru aff-4 Щербаков Сергей Валерьевич Shcherbakov Sergey shcherbakov@sutd.ru aff-5 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» имени В.И. Ульянова (Ленина) Saint Petersburg Electrotechnical University “LETI” Санкт-Петербургский государственный университет промышленных технологий и дизайна Saint Petersburg State University of Industrial Technologies and Design Санкт-Петербургский государственный университет промышленных технологий и дизайна Saint Petersburg State University of Industrial Technologies and Design Санкт-Петербургский государственный университет промышленных технологий и дизайна Saint Petersburg State University of Industrial Technologies and Design Санкт-Петербургский государственный университет промышленных технологий и дизайна Saint Petersburg State University of Industrial Technologies and Design 01 01 2026 1 1 10.26102/2310-6018/2025.50.3.004 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Клинический анализ походки является ключевым инструментом диагностики и планирования реабилитационных мероприятий у пациентов с двигательными нарушениями, однако точная и автоматическая детекция событий походки остается сложной задачей в условиях ограниченных ресурсов. Золотым стандартом автоматического определения событий походки является применение силовых платформ, но их применение ограничено при патологических паттернах ходьбы и использовании пациентами вспомогательных технических средств реабилитации. В данной работе представлен подход к автоматической детекции событий походки y детей с патологией походки на основе рекуррентных нейронных сетей. Представленная методология позволяет эффективно обнаруживать ключевые события походки (касание пяткой и отрыв пальцев). В исследовании использованы кинематические данные пациентов с нарушениями походки, полученные с помощью оптической системы захвата движений в различных условиях: при ходьбе босиком, в ортопедической обуви, с использованием ортезов и других технических средств реабилитации. Для обнаружения событий походки были обучены 4 модели (для каждой ноги и события). Модели продемонстрировали высокую чувствительность при малых временных задержках между предсказанным и реальным событием. Предложенный метод может быть использован в условиях клинической практики для автоматизации разметки данных и ускорения обработки данных анализа походки.

Clinical gait analysis is a key tool for diagnosis and rehabilitation planning in patients with motor disorders; however, accurate and automatic detection of gait events remains a challenging task in resource-limited settings. Force plates are considered the gold standard for automatic gait event detection, but their application is limited in cases of pathological gait patterns and when patients use assistive rehabilitation devices. This paper presents an approach to automatic detection of gait events in children with pathological gait using recurrent neural networks. The presented methodology effectively identifies key gait events (heel strike and toe off). The study used kinematic data from patients with gait disorders, collected using an optical motion capture system under various conditions: barefoot walking, in orthopedic footwear, with orthoses, and other technical rehabilitation aids. Four models were trained to detect gait events (one for each leg and event type). The models demonstrated high sensitivity with small time delays between predicted and actual events. The proposed method can be used in clinical practice to automate data annotation and reduce processing time for gait analysis results.

 события походки нейронные сети рекуррентные нейронные сети захват движений биомеханика детский церебральный паралич кинематика стопы машинное обучение gait events neural networks recurrent neural networks motion capture biomechanics cerebral palsy foot kinematics machine learning Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Wren T.A.L., Gorton III G.E., Õunpuu S., Tucker C.A. Efficacy of Clinical Gait Analysis: A Systematic Review. Gait & Posture. 2011;34(2):149–153. https://doi.org/10.1016/j.gaitpost.2011.03.027 States R.A., Krzak J.J., Salem Ya., Godwin E.M., Bodkin A.W., McMulkin M.L. Instrumented Gait Analysis for Management of Gait Disorders in Children with Cerebral Palsy: A Scoping Review. Gait & Posture. 2021;90:1–8. https://doi.org/10.1016/j.gaitpost.2021.07.009 Del Din S., Elshehabi M., Galna B., et al. Gait Analysis with Wearables Predicts Conversion to Parkinson Disease. Annals of Neurology. 2019;86(3):357–367. https://doi.org/10.1002/ana.25548 Cicirelli G., Impedovo D., Dentamaro V., Marani R., Pirlo G., D’Orazio T.R. Human Gait Analysis in Neurodegenerative Diseases: A Review. IEEE Journal of Biomedical and Health Informatics. 2022;26(1):229–242. https://doi.org/10.1109/JBHI.2021.3092875 Veilleux L.-N., Raison M., Rauch F., Robert M., Ballaz L. Agreement of Spatio-Temporal Gait Parameters Between a Vertical Ground Reaction Force Decomposition Algorithm and a Motion Capture System. Gait & Posture. 2016;43:257–264. https://doi.org/10.1016/j.gaitpost.2015.10.007 Zeni Jr J.A., Richards J.G., Higginson J.S. Two Simple Methods for Determining Gait Events During Treadmill and Overground Walking Using Kinematic Data. Gait & Posture. 2008;27(4):710–714. https://doi.org/10.1016/j.gaitpost.2007.07.007 Ghoussayni S., Stevens Ch., Durham S., Ewins D. Assessment and Validation of a Simple Automated Method for the Detection of Gait Events and Intervals. Gait & Posture. 2004;20(3):266–272. https://doi.org/10.1016/j.gaitpost.2003.10.001 Hreljac A., Marshall R.N. Algorithms to Determine Event Timing During Normal Walking Using Kinematic Data. Journal of Biomechanics. 2000;33(6):783–786. https://doi.org/10.1016/S0021-9290(00)00014-2 De Asha A.R., Robinson M.A., Barton G.J. A Marker Based Kinematic Method of Identifying Initial Contact During Gait Suitable for Use in Real-Time Visual Feedback Applications. Gait & Posture. 2012;36(3):650–652. https://doi.org/10.1016/j.gaitpost.2012.04.016 Bruening D.A., Ridge S.T. Automated Event Detection Algorithms in Pathological Gait. Gait & Posture. 2014;39(1):472–477. https://doi.org/10.1016/j.gaitpost.2013.08.023 Gómez-Pérez C., Martori J.C., Diví A.P., Casanovas J.M., Samsó J.V., Font-Llagunes J.M. Gait Event Detection Using Kinematic Data in Children with Bilateral Spastic Cerebral Palsy. Clinical Biomechanics. 2021;90. https://doi.org/10.1016/j.clinbiomech.2021.105492 Prasanth H., Caban M., Keller U., et al. Wearable Sensor-Based Real-Time Gait Detection: A Systematic Review. Sensors. 2021;21(8). https://doi.org/10.3390/s21082727 Niswander W., Kontson K. Evaluating the Impact of IMU Sensor Location and Walking Task on Accuracy of Gait Event Detection Algorithms. Sensors. 2021;21(12). https://doi.org/10.3390/s21123989 Voisard C., de l’Escalopier N., Ricard D., Oudre L. Automatic Gait Events Detection with Inertial Measurement Units: Healthy Subjects and Moderate to Severe Impaired Patients. Journal of NeuroEngineering and Rehabilitation. 2024;21. https://doi.org/10.1186/s12984-024-01405-x Romijnders R., Warmerdam E., Hansen C., Welzel J., Schmidt G., Maetzler W. Validation of IMU-Based Gait Event Detection During Curved Walking and Turning in Older Adults and Parkinson’S Disease Patients. Journal of NeuroEngineering and Rehabilitation. 2021;18. https://doi.org/10.1186/s12984-021-00828-0 Zampier V.C., Simonsen M.B., Barbieri F.A., Oliveira A.S. On the Accuracy of Methods Identifying Gait Events Using Optical Motion Capture and a Single Inertial Measurement Unit on the Sacrum. [Preprint]. bioRxiv. URL: https://doi.org/10.1101/2025.03.09.642234 [Accessed 28th March 2025]. Narayan V., Awasthi Sh., Fatima N., Faiz M., Srivastava S. Deep Learning Approaches for Human Gait Recognition: A Review. In: 2023 International Conference on Artificial Intelligence and Smart Communication (AISC), 27–29 January 2023, Greater Noida, India. IEEE; 2023. P. 763–768. https://doi.org/10.1109/AISC56616.2023.10085665 Dehzangi O., Taherisadr M., ChangalVala R. IMU-Based Gait Recognition Using Convolutional Neural Networks and Multi-Sensor Fusion. Sensors. 2017;17(12). https://doi.org/10.3390/s17122735 Su B., Smith Ch., Gutierrez Farewik E. Gait Phase Recognition Using Deep Convolutional Neural Network with Inertial Measurement Units. Biosensors. 2020;10(9). https://doi.org/10.3390/bios10090109 Romijnders R., Warmerdam E., Hansen C., Schmidt G., Maetzler W. A Deep Learning Approach for Gait Event Detection from a Single Shank-Worn IMU: Validation in Healthy and Neurological Cohorts. Sensors. 2022;22(10). https://doi.org/10.3390/s22103859 Wang F.-Ch., Li Yo.-Ch., Kuo T.-Yu., Chen S.-F., Lin Ch.-H. Real-Time Detection of Gait Events by Recurrent Neural Networks. IEEE Access. 2021;9:134849–134857. https://doi.org/10.1109/ACCESS.2021.3116047 Kreuzer D., Munz M. Deep Convolutional and LSTM Networks on Multi-Channel Time Series Data for Gait Phase Recognition. Sensors. 2021;21(3). https://doi.org/10.3390/s21030789 Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 Lee J., Hong W., Hur P. Continuous Gait Phase Estimation Using LSTM for Robotic Transfemoral Prosthesis Across Walking Speeds. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2021;29:1470–1477. https://doi.org/10.1109/tnsre.2021.3098689 Sarshar M., Polturi S., Schega L. Gait Phase Estimation by Using LSTM in IMU-Based Gait Analysis-Proof of Concept. Sensors. 2021;21(17). https://doi.org/10.3390/s21175749 Nazmi N., Rahman M.A.A., Yamamoto Sh.-I., Ahmad S.A. Walking Gait Event Detection Based on Electromyography Signals Using Artificial Neural Network. Biomedical Signal Processing and Control. 2019;47:334–343. https://doi.org/10.1016/j.bspc.2018.08.030 Kim Yo.K., Visscher R.M.S., Viehweger E., Singh N.B., Taylor W.R., Vogl F. A Deep-Learning Approach for Automatically Detecting Gait-Events Based on Foot-Marker Kinematics in Children with Cerebral Palsy – Which Markers Work Best for Which Gait Patterns? PLoS ONE. 2022;17(10). https://doi.org/10.1371/journal.pone.0275878 Kidziński Ł., Delp S., Schwartz M. Automatic Real-Time Gait Event Detection in Children Using Deep Neural Networks. PLoS ONE. 2019;14(1). https://doi.org/10.1371/journal.pone.0211466 Lempereur M., Rousseau F., Rémy-Néris O. A New Deep Learning-Based Method for the Detection of Gait Events in Children with Gait Disorders: Proof-Of-Concept and Concurrent Validity. Journal of Biomechanics. 2020;98. https://doi.org/10.1016/j.jbiomech.2019.109490 Leardini A., Sawacha Z., Paolini G., Ingrosso S., Nativo R., Benedetti M.G. A New Anatomically Based Protocol for Gait Analysis in Children. Gait & Posture. 2007;26(4):560–571. https://doi.org/10.1016/j.gaitpost.2006.12.018

The authors declare that there are no conflicts of interest present.