腕部追踪器能测量步态吗？ElderNet 更接近了

你的智能手表最终或许能测量的不只是步数和心率。一项2026年的验证研究报告称，自监督模型 ElderNet 可通过腕部加速度计估算步速、步频和步长——无需跑步机、实验室就诊，也无需将传感器绑在下背部。

这是一个具有重要意义的技术结果，因为腕部长期以来一直是估算步态最困难的位置之一。手腕会摆动、做手势、提着杂货，总之表现得就像手腕本来会有的样子。然而，这个新模型在85名步态受损者中，对于步速的平均绝对误差为8.82 cm/s（0.088 m/s），与参考测量值相比的组内相关系数为0.87。它的表现也优于使用腕部和下背部传感器的比较模型。这里的限制很重要：0.088 m/s 接近常被视为对个体患者具有临床意义的0.10 m/s变化。

因此，ElderNet 看起来适合用于研究和人群层面的筛查。它尚不足以支持某个应用根据较小的周际变化告诉某个人，其活动能力已出现有意义的恶化。

为什么从腕部估算步态一直很困难

步态传感器在靠近身体重心的位置效果最佳，这也是髋部和下背部设备传统上具有优势的原因。腕部设备必须将与步行相关的运动，与手臂摆动及日常生活中发生的所有其他上肢运动区分开来。与电子步道进行比较的研究已记录了可穿戴系统与参考步态测量之间仍然存在的准确性差距。

早期的腕部算法常常依赖手工构建的信号处理规则。这些规则在整齐可控的条件下可以奏效，但一旦现实生活介入，便可能失灵。ElderNet 采用了不同的方法。在 Brand 等人开展的2026年研究中，研究人员首先利用 Rush 记忆与衰老项目中819名老年人的无标签自由生活状态腕部加速度计数据，对一个深度学习模型进行了预训练。自监督训练使模型能够从原始数据中学习模式，而无需为每个训练样本都提供昂贵的动作捕捉标签。

随后，该模型在 Mobilise-D 队列中接受了外部步态估算测试：该队列包含从六个欧洲中心招募的85名步态受损者。与研究的参考测量值相比，ElderNet 的步速误差平均为8.82 cm/s，其 ICC 为0.87。对于步速，它显著优于下背部比较模型（p<0.001），颠覆了通常认为躯干佩戴传感器必须优于腕部设备的假设。对于步频和步长，它也显著优于竞争性的腕部方法（p<0.01）。

更好的腕部算法并不能让手腕成为临床步态实验室

这一标题性结果值得更精确地理解。报告的 ICC 来自标准化的 Mobilise-D 评估环节，而不是数月普通生活中不受限制的连续监测。因此，该研究表明模型能够在其验证方案下良好地估算步态；但并未证明当人们佩戴设备不一致、在各种环境中活动，或使用不同硬件时，其性能完全相同。

平均误差也没有达到每一种临床用途所需的阈值。0.10 m/s 的步速变化被广泛用作最小临床重要差异。ElderNet 的0.088 m/s平均绝对误差相当于该阈值的88%。平均误差并不保证每次估算都会偏离该数值，但它设定了一个实际界限：接近0.10 m/s的测得变化可能反映真实变化、测量误差，或两者兼有。

这使得该模型目前不适合用于判定个体患者是否对康复治疗有反应，或是否已开始出现早期衰退。若在群体中取平均、用于丰富临床试验队列，或作为提示应进行正式评估的筛查信号，它可能更有用。

残障结果能——也不能——告诉我们什么

在包含819人的 Rush MAP 队列中，ElderNet 对活动能力残障的分类，其受试者工作特征曲线下面积为0.80。作者报告称，在该队列中，这一表现超过了传统的步速和身体活动汇总指标。AUC 为0.80意味着该模型具有有用的区分能力，并不意味着它以80%的准确率诊断了残障，也不意味着它取代了临床医生。

该结果也缺乏与 Timed Up and Go 或4米步行测试等既有临床基准的直接比较。没有这种正面比较证据，AUC 无法告诉我们 ElderNet 是否优于标准照护。独立重复验证也尚未完成，而且 Rush MAP 主要由来自美国一个大都市区的白人老年人组成。在该人群上预训练的模型，在不同种族、体型、社会经济环境、疾病状况和设备型号中可能表现不同。

为什么值得在诊室之外测量步态

被动步态测量的吸引力基于一个合理前提：在诊室中进行的短暂步行只能捕捉一个人几分钟的运动。日常生活中的步行可能揭示不同的信息。在一项前瞻性研究中，Urbanek 等人（2023）发现，与结构化的诊室活动能力评估相比，腕部加速度计测得的自由生活状态步频更能区分老年人的跌倒风险。这一发现具体适用于步频和跌倒风险区分；它并不能证明每一种源自腕部的步态测量，在每一种结局上都优于诊室测试。

其他研究使其健康相关性显得可信，但并未验证 ElderNet 本身。一项大型观察性Watch Walk–UK Biobank 研究发现，在中老年人中，真实世界的腕部加速度计步行模式与局部脑萎缩和白质病灶负担相关。该研究为横断面研究，因此无法确定步行改变是促成脑部变化、由脑部变化导致，还是反映了另一种原因。

步态和功能性活动能力也具有长期预后意义。在一个随访10年的圣保罗队列中，Nascimento 等人（2022）发现，基于诊室的功能性活动能力表现可预测老年人的全因死亡和特异死因死亡。这支持步态是一个重要的健康标志，但并不表明 ElderNet 评分可预测死亡。不同设备、不同测量环境、不同问题。

源自腕部的步态测量也可能捕捉到老年虚弱以外的变异。一项2026年的横断面慢性腰痛研究将该疾病与远程收集的腕部加速度计步态质量和数量参数相关联。关键词是相关：该结果无法说明疼痛是否改变了步态、步态是否促成了疼痛，或是否有其他因素同时影响两者。

缺失的研究是那些向前追踪人们的研究

ElderNet 尚未作为跌倒、痴呆、住院或死亡的前瞻性预测工具接受测试。支持这些应用的依据目前连接了彼此独立的证据体系：ElderNet 在一项验证研究中估算步态；其他步态指标与临床结局相关。这条推理链是合理的，但仍然是一条推理链。

若干设计局限进一步强化了这种谨慎态度。包含85人的 Mobilise-D 验证样本量太小，无法可靠地描绘不同疾病严重程度、身体成分或设备类型下的表现。六个研究地点的设计提高了地域广度，但无法解决小样本带来的精确性问题。Rush MAP 训练和残障分类队列无法确立其在几乎未纳入的人群中的表现。

关于真实世界惯性传感器的研究还表明，即使采用其他传感器放置位置和疾病特异性模型，预测仍然困难。例如，Ullrich 等人（2023）考察了利用帕金森病真实世界惯性传感器步态数据预测跌倒风险。这项工作支持日常步态包含临床相关信息这一更广泛的观点；它并未验证普通老年人群中的腕部模型。

如果你佩戴智能手表，这意味着什么

目前没有消费级智能手表将 ElderNet 作为经验证的临床功能提供。该研究描述的是一种研究方法，而非获得监管批准的产品或经过测试的临床工作流程。它没有提供证据表明当今消费级步态评分能够诊断残障、预测痴呆或指导治疗。

可信的结论更狭窄，也更有意思：腕部加速度计如今能够产生步态估算结果，在这项研究中，其表现可与下背部传感器模型竞争，并超过后者，研究对象为步态受损的老年人。自监督学习可能使这种方法更容易扩展，因为它减少了对昂贵标注步态记录的依赖。

结论：ElderNet 是基于腕部的步态测量领域的一项真正进展，其技术验证结果具有较高可信度。它近期最适合的角色是研究、试验监测和人群层面的风险分层。个体临床决策需要更高的精确性、更广泛的验证、与标准评估的直接比较，以及前瞻性结局研究。