مقدمه
راه‌رفتن یکی از بنیادی‌ترین فعالیت‌های حرکتی انسان است که نقش تعیین‌کننده‌ای در سلامت عصبی–عضلانی، تعادل، استقلال عملکردی و کیفیت زندگی ایفا می‌کند. هرگونه تغییر در الگوهای راه‌رفتن می‌تواند نشان‌دهنده بروز یا پیشرفت اختلالات حرکتی، افزایش خطر سقوط و کاهش توانایی انجام فعالیت‌های روزمره باشد. ازاین‌رو، تحلیل دقیق و کمی راه‌رفتن به‌عنوان یکی از ابزارهای کلیدی در ارزیابی عملکرد حرکتی، تشخیص اختلالات عصبی–اسکلتی و پایش اثربخشی مداخلات درمانی و توانبخشی مطرح است [1-3]. با وجود اهمیت بالینی این موضوع، روش‌های سنتی آنالیز راه‌رفتن عمدتاً به محیط‌های آزمایشگاهی محدود بوده و متکی بر سیستم‌های اپتیکی پیچیده، تجهیزات پرهزینه و تحلیل‌های زمان‌بر هستند که اجرای آن‌ها نیازمند نیروی متخصص بوده و قابلیت تعمیم و استفاده گسترده در محیط‌های واقعی را با محدودیت مواجه می‌سازد [4]. 
در سال‌های اخیر، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی تأثیر قابل‌توجهی بر تحلیل حرکت انسان و بیومکانیک ورزشی داشته است. توسعه روش‌های محاسباتی پیشرفته و کاهش هزینه‌های پردازش داده موجب شده است تحلیل‌های مبتنی بر رایانه از نظر فنی و اقتصادی مقرون‌به‌صرفه‌تر شوند [5]. هوش مصنوعی به‌طور فزاینده‌ای در حوزه ورزش و علوم حرکتی برای تحلیل عملکرد، شناسایی الگوهای حرکتی، بهینه‌سازی تصمیم‌گیری و پیش‌بینی رفتار حرکتی به کار گرفته می‌شود و موجب تحول در رویکردهای سنتی ارزیابی و تحلیل شده است. این فناوری دقت تحلیل حرکات، امتیازدهی، پیش‌بینی عملکرد ورزشکاران و حتی رفتار هواداران را افزایش داده و افق‌های جدیدی در درک پیچیدگی حرکت انسان گشوده است [6]. بااین‌حال، بسیاری از مطالعات موجود رویکردی عمدتاً توصیفی داشته و تمرکز آن‌ها بیشتر بر نمایش قابلیت‌های کلی هوش مصنوعی بوده است تا تحلیل انتقادی نقش آن در مسائل خاصی مانند دینامیک راه‌رفتن انسان [7]. 
هم‌زمان با توسعه هوش مصنوعی، پیشرفت‌های فناورانه در زمینه حسگرهای پوشیدنی کوچک و سبک، به‌ویژه واحدهای اندازه‌گیری اینرسی امکان ثبت داده‌های حرکتی در بازه‌های زمانی طولانی و در شرایط طبیعی زندگی روزمره را فراهم کرده است. این حسگرها فرصت‌های جدیدی را برای پژوهشگران و متخصصان بالینی ایجاد کرده‌اند تا راه‌رفتن را خارج از محیط‌های کنترل‌شده آزمایشگاهی و در زمینه‌های واقعی مورد بررسی قرار دهند. برخلاف شاخص‌های کلاسیک راه‌رفتن مانند سرعت، طول گام و زمان گام، داده‌های شتاب‌سنجی و ژیروسکوپی امکان استخراج مجموعه‌ای گسترده از شاخص‌های پیشرفته دینامیکی را فراهم می‌کنند که ویژگی‌هایی مانند تغییرپذیری، نظم، همگام‌سازی، تقارن، نرمی حرکت، پایداری موضعی و پیش‌بینی‌پذیری راه‌رفتن را توصیف می‌کنند [8، 9]. در همین راستا، مطالعات اخیر نشان داده‌اند ترکیب داده‌های حاصل از حسگرهای پوشیدنی با الگوریتم‌های هوش مصنوعی می‌تواند به‌عنوان یک نشانگر زیستی دیجیتال برای غربالگری و تشخیص زودهنگام بیماری‌های عصبی مورد استفاده قرار گیرد. به‌ویژه، تغییرات در الگوهای راه‌رفتن به‌عنوان شاخصی غیرتهاجمی و مقرون‌به‌صرفه برای شناسایی بیماری‌هایی نظیر زوال عقل مطرح شده‌اند. انتظار می‌رود توسعه این نشانگرهای زیستی دیجیتال همگام با توسعه نشانگرهای زیستی بالینی انجام شود؛ بااین‌حال، چالش‌هایی همچون اعتبارسنجی بالینی، تفسیر نتایج و قابلیت اعتماد مدل‌ها همچنان به قوت خود باقی است [7].
ازسوی‌دیگر، الگوریتم‌های یادگیری ماشین و یادگیری عمیق به‌عنوان ابزارهایی توانمند برای تحلیل داده‌های پیچیده حرکتی انسان شناخته شده‌اند. شبکه‌های عصبی کانولوشنی (CNN) در پردازش داده‌های تصویری و ویدئویی حرکت و شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های حافظه بلندمدت (LSTM) در تحلیل داده‌های زمانی–سریالی، امکان شناسایی دقیق‌تر الگوهای راه‌رفتن را فراهم کرده‌اند [10]. این مدل‌ها قادرند ویژگی‌های ظریفی نظیر ناهماهنگی گام‌ها، اختلالات تعادل وضعیتی و انحرافات دینامیکی بدن را از داده‌های حسگری یا تصویری استخراج کنند و بدین ترتیب، نقش مهمی در تشخیص زودهنگام اختلالات عصبی و اسکلتی ایفا نمایند [11].
افزون‌براین، تلفیق داده‌های چندمنبعی حاصل از حسگرهای پوشیدنی و سامانه‌های بینایی ماشین، امکان مدل‌سازی جامع‌تری از بیومکانیک راه‌رفتن را فراهم کرده و مسیر را برای پایش مداوم وضعیت حرکتی و پیش‌بینی خطر سقوط یا آسیب‌های عضلانی هموار ساخته است. با وجود رشد قابل‌توجه مطالعات در زمینه کاربرد هوش مصنوعی در تحلیل راه‌رفتن، مرورهای پیشین غالباً به بررسی مجزای الگوریتم‌ها یا انواع داده‌ها پرداخته و کمتر به مقایسه نظام‌مند و انتقادی رویکردهای مختلف، محدودیت‌های روش‌شناختی، چالش‌های پیاده‌سازی بالینی و میزان قابلیت اعتماد نتایج توجه کرده‌اند. 
ازاین‌رو، شکاف پژوهشی اصلی در فقدان یک مرور جامع و انتقادی است که بتواند به‌صورت یکپارچه، کاربرد الگوریتم‌های هوش مصنوعی در تحلیل بیومکانیکی راه‌رفتن انسان را بررسی کرده و تفاوت‌ها، مزایا و کاستی‌های رویکردهای مبتنی بر حسگرهای پوشیدنی و بینایی ماشین را تحلیل کند. نوآوری پژوهش حاضر در پاسخ به این نیاز نهفته است؛ به‌طوری‌که این مطالعه فراتر از توصیف صرف فناوری‌ها، به ارزیابی انتقادی دقت، قابلیت اعتماد و کاربردپذیری بالینی روش‌های مبتنی بر هوش مصنوعی می‌پردازد و مسیرهای آینده پژوهش و کاربردهای بالقوه در پزشکی ورزشی، توانبخشی و علوم حرکتی را ترسیم می‌کند. براین‌اساس، هدف تحقیق حاضر مروری جامع و انتقادی بر رویکردهای هوش مصنوعی در تحلیل بیومکانیکی راه‌رفتن انسان است.

روش‌شناسی
این مطالعه از نوع مروری نظام‌مند بود. جست‌وجوی مقالات بین سال‌های 2020 تا 2025 در پایگاه‌های داده استنادی وب‌آوساینس، پایگاه مرکز اطلاعات علمی و جهاد دانشگاهی، اسکوپوس، مگیران، پایگاه استنادی علوم جهان اسلام، پابمد، گوگل‌اسکالر و به دو زبان فارسی و انگلیسی انجام شد. استراتژی جست‌وجو شامل کلیدواژه‌های مرتبط با هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، راه‌رفتن، تحلیل راه‌رفتن، بیومکانیک، کینتیک و کینماتیک و ترکیب آن‌ها با عملگرهای «AND» و«OR» بود. 
معیارهای ورود شامل مطالعات تجربی یا کاربردی با استفاده از هوش مصنوعی در تحلیل راه‌رفتن، استفاده از داده‌های واقعی جمعیت انسانی (افراد سالم یا بیماران عصبی، عضلانی یا اسکلتی–عضلانی)، ارائه شاخص‌های عملکردی مدل‌ها (مانند دقت، حساسیت، ویژگی) یا پارامترهای بیومکانیکی قابل‌اندازه‌گیری، تمرکز بر راه‌رفتن انسان با ثبت داده‌های مستقیم یا حسگرهای پوشیدنی/تصویری و انتشار به زبان فارسی یا انگلیسی بود. طراحی مطالعات شامل مقطعی، اعتبارسنجی الگوریتم و مطالعات پیش‌بینی/تشخیص بالینی بود. 
معیارهای خروج شامل مطالعات نظری یا مرور ادبیات بدون داده، سرمقاله‌ها، گزارش موردی، پژوهش‌های حیوانی یا شبیه‌سازی بدون داده واقعی انسان، استفاده صرف از روش‌های آماری کلاسیک بدون هوش مصنوعی، مقالات با دسترسی ناقص یا تکراری، گزارش‌های کنفرانسی و مطالعات با کیفیت روش‌شناسی پایین بود. 
درنتیجه، از مجموع 85  مقاله شناسایی‌شده، 53 مقاله به‌دلیل عدم تمرکز بر راه‌رفتن یا تکراری بودن حذف شدند، 19 مقاله به‌دلیل مرور بودن یا عدم استفاده از هوش مصنوعی
از مطالعه خارج شدند و درنهایت 13 مقاله برای تجزیه‌وتحلیل نهایی انتخاب شدند (جدول شماره 1) (تصویر شماره 1).



ارزیابی کیفیت مقالات با استفاده از پرسش‌نامه دان و بلک انجام شد [23]. در صورت بروز هرگونه اختلاف در نمره‌دهی میان نویسندگان، موارد موردنظر به‌صورت جداگانه بررسی، و اختلاف‌نظرها از طریق مشورت و بحث گروهی برطرف گردید تا احتمال بروز خطا در فرآیند ارزیابی به حداقل برسد. براساس نتایج به‌دست‌آمده، میانگین امتیاز کیفیت مقالات بررسی‌شده در این مطالعه، طبق پرسش‌نامه دان و بلک، برابر با 20/67 درصد بود. برای محاسبه درصد کیفیت مقالات در ستون مربوطه، از فرمول شماره 1 استفاده شد:

1. 100×(31 / نمره کل)=کیفیت مقالات (بر حسب درصد)
براساس جدول شماره 2، ارزیابی کیفیت مقالات با استفاده از پرسش‌نامه دان و بلک انجام شد [23]. این پرسش‌نامه شامل 27 سؤال است که برای هر سؤال، نمره‌ای بین (0) و (1) در نظر گرفته می‌شود؛ به استثنای سؤال 5 که 0، 1 و 2 امتیازی می‌باشد به‌گونه‌ای که عدد «1» نشان‌دهنده تأیید و عدد «0» بیانگر رد یا نبود آن ویژگی در مقاله است. تنها در سؤال شماره 27، امتیازی در بازه‌ (0) تا (5) اختصاص می‌یابد. کسب امتیاز 5 یا نزدیک به آن، بیانگر قدرت آماری بالای مقاله بوده و درمقابل، امتیازهای پایین‌تر نشان‌دهنده قدرت آماری ضعیف‌تر مقاله در همین زمینه است.
به‌‌منظور جلوگیری از ورود مطالعات تکراری، تمامی مقالات شناسایی‌شده در مراحل غربالگری از نظر نام نویسندگان، سال انتشار، محل انجام مطالعه، جمعیت موردبررسی و بازه زمانی مطالعه به‌دقت بررسی شدند. در مواردی که شباهت‌هایی میان مقالات مشاهده شد، متن کامل آن‌ها به‌طور دقیق مقایسه گردید تا احتمال استفاده از داده‌ها یا جمعیت مشترک بررسی شود. درنهایت، مشخص شد هیچ‌یک از مقالات واردشده در مرور نهایی تکراری نبوده و هر مطالعه به داده‌ها یا تحلیل‌های مستقل پرداخته است

یافته‌ها
براساس مطالعات صورت‌گرفته در زمینه رویکرد هوش مصنوعی در راه‌رفتن تعداد 13 مقاله باتوجه‌به کلیدواژه‌ها و معیارهای ورود و خروج به دست آمد. در زمینه استفاده از هوش مصنوعی طی راه‌رفتن بر بزرگسالان سالم تعداد 7 مطالعه به دست آمد و تعداد نمونه‌های شرکت‌کننده در این مطالعات به‌طور کلی 1072 نفر فرد سالم بودند [1، 4-6، 9-11]. مطالعاتی که از هوش مصنوعی در بزرگسالان دارای بیماری استفاده کرده بودند 6 مطالعه بود که شامل بیماران مبتلا به فلج مغزی [24]، سالمندان بدون زوال عقل [4]، افراد مبتلا به بیماری پارکینسون [2]، افراد دچار مشکلات راه‌رفتن [3]، بیماران مبتلا به سارکوینی [25]، افراد دچار درد یک طرفه هنگام راه‌رفتن [7] و افراد دارای ناتوانی حرکتی بودند. تعداد نمونه آماری این مطالعات 3737 نفر بودند. در این مطالعات 15/4 درصد مقالات از سیستم ثبت حرکت بدون مارکر استفاده کرده بودند [1، 2]. 53/8 درصد مقالات از حسگرهای پوشیدنی [3-9] استفاده کرده بودند و 23/1 از یادگیری ماشین [9-11] و 10 درصد مقالات از سیستم آنالیز حرکت [25] استفاده کرده بودند. 
مطالعاتی که از سیستم ثبت حرکت بدون مارکر استفاده کرده بودند نتیجه گرفتند سیستم ثبت حرکت بدون نشانگر KinaTrax اندازه‌گیری‌های مکانی-زمانی قابل‌اعتمادی را در داخل و بین جلسات، همراه با سینماتیک قابل‌اعتماد در صفحات ساجیتال و فرونتال ارائه می‌دهد؛ اعتبارسنجی نشان داد ضرایب همبستگی درون کلاسی، توافق عالی را برای همه پارامترهای مکانی با سیستم مرجع مبتنی بر نشانگر تأیید می‌کنند، درحالی‌که متغیرهای زمانی نیز تطابق خوبی دارند، به‌استثنای زمان نوسان که تطابق آن متوسط تا تقریباً کامل گزارش شده است [1، 2]. 
همچنین، مطالعاتی که از حسگرهای پوشیدنی استفاده کرده بودند، نتیجه گرفتند مدل‌های پیشنهادی هوش مصنوعی، به‌ویژه معماری Stack، علی‌رغم چالش‌های ناشی از محل قرارگیری حسگر بر روی پشت بیماران مبتلا به اختلالات راه‌رفتن، توانایی بالایی در طبقه‌بندی صحیح اپیزودهای راه‌رفتن از خود نشان دادند (میانگین حساسیت 0/961 و AUC برابر با 0/833). 
علاوه‌براین، کاهش فضای ویژگی به بهبود عملکرد اکثر طبقه‌بندی‌کننده‌ها کمک کرد؛ همچنین، مدل‌های SVR دقت عالی در تحلیل پارامترها را با میانگین خطاهای مطلق درصدی (MAE%) بسیار پایین (کمتر از 2/1 درصد) برای پارامترهای کلیدی مانند سرعت و طول گام به نمایش گذاشتند. ازسوی‌دیگر، حسگرهای تریبوالکتریک با دستیابی به‌دقت بیش از 95 درصد در تشخیص هویت فرد، ارزیابی ناتوانی حرکتی و وضعیت حرکت، نه‌تنها توانستند انرژی موردنیاز خود را از حرکات آهسته برداشت کنند، بلکه امکان تحلیل بلادرنگ (Real-Time) داده‌ها را نیز فراهم ساختند که در مجموع، قابلیت اطمینان و کارایی حسگرها برای ارزیابی پارامترهای راه‌رفتن را به‌طور جامع تأیید می‌کند [3-9]. 
مطالعات انجام‌شده روی یادگیری ماشین طی راه‌رفتن نیز نشان دادند رویکردهای مبتنی بر یادگیری ماشین و یادگیری عمیق، کارایی بالایی در ارزیابی وضعیت حرکتی و پیش‌بینی مسیر راه‌رفتن نشان دادند. در زمینه تخمین و طبقه‌بندی وضعیت بدن، یک رویکرد ترکیبی شامل ضبط ویدئویی با تلفن همراه، ذخیره‌سازی ابری و یادگیری عمیق ادغامی موفق به کسب نتایج قوی شد؛ به‌طوری‌که ترکیب مدل ResNet101 و طبقه‌بندی‌کننده Naïve Bayes به حساسیت 0/87 و ویژگی‌زایی 0/84 دست یافت. علاوه‌براین، در پیش‌بینی مسیر راه‌رفتن، مدل‌های LSTM برتری خود را در محیط‌های واقعیت مجازی (VR) ثابت کردند؛ مدل LSTM مبتنی بر داده‌های موقعیت و جهت‌گیری، بهترین پیش‌بینی کوتاه‌مدت (50 میلی‌ثانیه) را با خطای 5/14 میلی‌متر ارائه داد، درحالی‌که ادغام داده‌های ردیابی چشم در پیش‌بینی‌های بلندمدت (2/5 ثانیه) با خطای 65/73 سانتی‌متر، مزیت قابل‌توجهی را در این بازه زمانی نشان داد [9-11]. 
در یکی از مطالعاتی که از سیستم ثبت حرکت استفاده شده بود، پژوهشگران گزارش کردند که با ترکیب داده‌های کفی هوشمند و تخمین وضعیت بدن به کمک یک مدل یادگیری ماشین مانند جنگل تصادفی (RF) می‌توان با دقت بالایی بیومارکرهای دیجیتال مهم را استخراج کرد. این بیومارکرها از طریق تحلیل متغیرهای بیومکانیکی نظیر حرکت لگن و مچ پا به دست می‌آیند. چنین رویکردی ظرفیت قابل‌توجهی برای توسعه روش‌های تشخیصی و مداخلات درمانی پیشرفته‌تر دارد و می‌تواند به‌ویژه در پایش و مدیریت بیماری‌هایی مانند سارکوپنی کاربردی باشد [25].

بحث
هدف از مطالعه حاضر، مروری بر رویکردهای هوش مصنوعی در بیومکانیک راه‌رفتن انسان بود. نتایج نشان داد حسگرهای پوشیدنی به حساسیت 0/961 و مساحت زیر منحنی مشخصه عملکرد گیرنده برابر با 0/833 دست یافتند و مدل‌های رگرسیون بردار پشتیبان، خطای درصدی مطلق میانگین کمتر از 2/1 درصد را برای پارامترهایی مانند سرعت و طول گام نشان دادند؛ همچنین حسگرهای تریبوالکتریک دقت بالای 95 درصد را در تشخیص هویت فرد ارائه کردند.
در این مطالعه، یافته‌های محققانی که از سیستم ثبت حرکت بدون نشاگر طی راه‌رفتن استفاده کرده بودند، نشان داد سیستم ثبت حرکت بدون نشانگر می‌تواند اندازه‌گیری‌های مکانی-زمانی و سینماتیک در صفحات ساجیتال و فرونتال را ارائه دهد و ضرایب همبستگی آن برای پارامترهای فضایی با سیستم مرجع، توافق نسبتا خوبی نشان داد. بااین‌حال، تنها پارامتر زمان نوسان در اندازه‌گیری متغیرهای زمانی، توافقی متوسط تا تقریباً کامل با سیستم مرجع داشت که نشان‌دهنده محدودیت آن در مقایسه با سیستم‌های مرجع است [1، 2]. از مزیت‌های این مطالعات می‌توان به انجام پژوهش روی بیماران با اختلالات راه‌رفتن اشاره کرد، اما حجم نمونه برخی مطالعات محدود بود. مطالعات بر روی سیستم ثبت حرکت بدون نشانگر نشان دادند این سیستم ردیابی حرکت بدون نشانگر، اندازه‌گیری‌های مکانی معتبر ارائه می‌دهد، اما کاربرد مستقیم بالینی آن هنوز نیازمند تأیید بیشتر است.
مطالعات استفاده‌کننده از حسگر طی راه رفتن نشان دادند حسگرهای پوشیدنی، به‌ویژه نوع تریبوالکتریک، در ترکیب با روش‌های پیشرفته یادگیری ماشین، امکان تحلیل پارامترهای راه‌رفتن، طبقه‌بندی فعالیت‌ها و تشخیص وضعیت حرکتی افراد را فراهم می‌کنند [3-9]. این سیستم‌ها عملکرد قابل‌قبولی در شرایط آزمایشگاهی نشان دادند، اما نتایج ممکن است در محیط‌های واقعی و با بیماران متفاوت، تغییر کند. مزایای اصلی شامل دقت تخمین پارامترها با خطاهای نسبتاً پایین، قابلیت خودتأمین انرژی سنسورهای تریبوالکتریک و عملکرد بالا در تشخیص هویت و ناتوانی حرکتی است. معایب و محدودیت‌ها شامل نوسان در عملکرد ویژگی در شرایط نصب سخت (مانند روی پشت بیمار که به 0/643 رسید) و وابستگی به بهینه‌سازی دقیق مدل یادگیری ماشین و انتخاب ویژگی‌ها است که نیازمند تنظیم برای هر سناریوی کاربردی خاص می‌باشد.
مطالعات استفاده‌کننده از یادگیری ماشین نشان دادند ترکیب ضبط ویدئویی با دوربین تلفن همراه، ذخیره‌سازی ابری و یادگیری عمیق ادغامی امکان تخمین و طبقه‌بندی وضعیت بدن را فراهم می‌کند و به نتایج نسبتاً موفقی دست یافته‌اند. ترکیب مدل بکه عصبی کانولوشنی عمیق و طبقه‌بندی‌کننده بیز ساده عملکرد قابل‌قبولی در طبقه‌بندی دست نشان داد؛ همچنین مدل‌های حافظه بلندمدت برای پیش‌بینی مسیر راه ‌رفتن در محیط واقعیت مجازی مناسب بودند. در پیش‌بینی‌های کوتاه‌مدت (50 میلی‌ثانیه) خطای 5/14 میلی‌متر و در پیش‌بینی‌های بلندمدت‌تر (2/5 ثانیه) با استفاده از داده‌های ردیابی چشم، خطا به 65/73 سانتی‌متر کاهش یافت [9-11]. مزایای این رویکرد شامل سهولت جمع‌آوری داده‌ها با دوربین تلفن همراه و استفاده از ذخیره‌سازی ابری است؛ بااین‌حال، معایب شامل تأخیر بالقوه در انتقال داده‌ها و پردازش سنگین مدل‌های یادگیری عمیق و وابستگی به کیفیت تصاویر در محیط‌های مختلف است.

نتیجه‌گیری
یافته‌های این مرور نشان می‌دهد به‌کارگیری روش‌های هوش مصنوعی و یادگیری ماشین، نقش مؤثری در بهبود دقت، قابلیت اطمینان و تفسیرپذیری داده‌های حاصل از حسگرهای پوشیدنی و سیستم‌های ثبت حرکت بدون نشانگر در تحلیل راه‌رفتن انسان دارد. نتایج حاکی از آن است که این رویکردها قادرند محدودیت‌های ذاتی حسگرها و روش‌های سنتی را تا حد زیادی جبران کرده و امکان استخراج پارامترهای مکانی–زمانی و سینماتیکی معتبر را فراهم سازند. با وجود عملکرد امیدوارکننده در شرایط آزمایشگاهی و برخی جمعیت‌های بالینی، شواهد موجود نشان می‌دهد برای تعمیم‌پذیری نتایج و کاربرد بالینی گسترده، انجام مطالعات با حجم نمونه بزرگ‌تر، طراحی‌های استاندارد و ارزیابی در محیط‌های واقعی ضروری است.
محدودیت‌های مطالعه حاضر شامل تعداد محدود مطالعات موجود در زمینه به‌کارگیری هوش مصنوعی در تحلیل راه‌ رفتن، عدم بررسی جمعیت‌های ورزشکار و سالمند، تمرکز برخی پژوهش‌ها بر نمونه‌های کوچک یا گروه‌های خاص و کمبود استانداردسازی در روش‌ها است. بنابراین، تعمیم یافته‌ها باید با احتیاط صورت گیرد و کاربرد مستقیم بالینی این فناوری‌ها همچنان نیازمند مطالعات گسترده‌تر و جامع‌تر است. پژوهش‌های آینده باید با جمعیت‌های بالینی بزرگ‌تر و متنوع‌تر انجام شود و عملکرد الگوریتم‌های هوش مصنوعی در محیط‌های واقعی ارزیابی گردد. همچنین، توسعه چارچوب‌های استاندارد برای جمع‌آوری داده‌ها و تفسیر مدل‌ها می‌تواند کاربرد بالینی این فناوری‌ها را بهبود بخشد.

ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این مقاله مرور نظام‌مند می‌باشد که بر روی نمونه‌های انسانی و حیوانی انجام نشده است. براین‌اساس نیاز به کد اخلاق نبود و تمام قوانین اخلاق در پژوهش رعایت شده است.

حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمانی‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.

مشارکت نویسندگان
مفهوم‌سازی، روش‌شناسی، منابع و نگارش پیش‌نویس: لیلا صبوری و ابراهیم پیری؛ اعتبارسنجی و بصری‌سازی: ابراهیم پیری؛ تحلیل و تحقیق و بررسی: لیلا صبوری؛ ویراستاری و نهایی سازی نوشته: همه نویسندگان.

تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.

 

References

1. Schoenwether B, Ripic Z, Nienhuis M, Signorile JF, Best TM, Eltoukhy M. Reliability of artificial intelligence-driven markerless motion capture in gait analyses of healthy adults. PloS One. 2025; 20(1):e0316119. [DOI:10.1371/journal.pone.0316119] [PMID] [PMCID]
2. Ripic Z, Signorile JF, Best TM, Jacobs KA, Nienhuis M, Whitelaw C, et al. Validity of artificial intelligence-based markerless motion capture system for clinical gait analysis: Spatiotemporal results in healthy adults and adults with Parkinson’s disease. Journal of Biomechanics. 2023; 155:111645. [DOI:10.1016/j.jbiomech.2023.111645] [PMID]
3. Peeimankar A, Winther TS, Ebrahimi A, Wiil UK. A machine learning approach for walking classification in elderly people with gait disorders. Sensors. 2023; 23(2):679.   [DOI:10.3390/s23020679] [PMID] [PMCID]
4. Obuchi SP, Kojima M, Suzuki H, Garbalosa JC, Imamura K, Ihara K, et al. Artificial intelligence detection of cognitive impairment in older adults during walking. Alzheimer’s & dementia. 2024; 16(3):e70012.  [DOI:10.1002/dad2.70012] [PMID] [PMCID]
5. Galasso S, Baptista R, Molinara M, Pizzocaro S, Calabrò RS, De Nunzio AM. Predicting physical activity levels from kinematic gait data using machine learning techniques. Engineering Applications of Artificial Intelligence. 2023; 123:106487.   [DOI:10.1016/j.engappai.2023.106487]
6. Bauman VV, Brandon SCE. Gait phase detection in walking and stairs using machine learning. Journal of Biomechanical Engineering. 2022; 144(12):121007.   [PMID] [DOI:10.1115/1.4055504] [PMID]
7. Bacon KL, Felson DT, Jafarzadeh SR, Kolachalama VB, Hausdorff JM, Gazit E, et al. Relation of gait measures with mild unilateral knee pain during walking using machine learning. Scientific Reports. 2022; 12(1):22200.   [DOI:10.1038/s41598-022-21142-2] [PMID] [PMCID]
8. Guo X, He T, Zhang Z, Luo A, Wang F, Ng EJ, et al. Artificial intelligence-enabled caregiving walking stick powered by ultra-low-frequency human motion. ACS Nano. 2021; 15(12):19054-69.  [DOI:10.1021/acsnano.1c04464] [PMID]
9. Zhang H, Guo Y, Zanotto D. Accurate ambulatory gait analysis in walking and running using machine learning models. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2019; 28(1):191-202. [DOI:10.1109/TNSRE.2019.2958679] [PMID]
10. Bremer G, Stein N, Lappe M. Predicting future position from natural walking and eye movements with machine learning. paper presented: international conference on artificial intelligence and virtual reality (AIVR). 15 Nov 2021; Taichung, Taiwan.   [DOI:10.1109/AIVR52153.2021.00013]
11. Lee P, Chen TB, Liu CH, Wang CY, Huang GH, Lu NH. Identifying the posture of young adults in walking videos by using a fusion artificial intelligent method. Biosensors. 2022; 12(5):295.   [DOI:10.3390/bios12050295] [PMID] [PMCID]
12. Grosboillot N, Gallou-Guyot M, Lamontagne A, Bonnyaud C, Perrot A, Allali G, et al. Towards a comprehensive framework for complex walking tasks: Characterization, behavioral adaptations, and clinical implications in ageing and neurological populations. Ageing Research Reviews. 2024; 101:102458.  [DOI:10.1016/j.arr.2024.102458] [PMID]
13. Piri E, Barghamadi M, Farzizade R. [Comparison of the effects of immediate and long-term water and thera band exercises on loading rate, impulse, and free moment in people with pronate foot during walking: A clinical trial (Persian)]. Journal of Gorgan University of Medical Sciences. 2022; 24(4):10-19. [Link]
14. Barghamadi M, Piri E, Behboodi Z, Allahverdidost H, Nosratihashi A, Imani F. [Effects of the immediate and long-term water and thera band exercises on ground reaction forces in people with pronate foot during walking (Persian)]. Journal of Paramedical Sciences & Rehabilitation. 2023: 12(1):7-19. [DOI:10.22038/jpsr.2023.68577.2440]
15. Semaan MB, Wallard L, Ruiz V, Gillet C, Leteneur S, Simoneau-Buessinger E. Is treadmill walking biomechanically comparable to overground walking? A systematic review. Gait & posture. 2022; 92:249-57.  [DOI:10.1016/j.gaitpost.2021.11.009] [PMID]
16. Molavian R, Fatahi A, Abbasi H, Khezri D. Artificial intelligence approach in biomechanics of gait and sport: A systematic literature review. Journal of Biomedical Physics & Engineering. 2023; 13(5):383-402.  [DOI:10.31661/jbpe.v0i0.2305-1621]
17. Nadikattu RR. Implementation of new ways of artificial intelligence in sports. Journal of Xidian University. 2020; 14(5):5983-97. [DOI:10.37896/jxu14.5/649]
18. Zhou H, Park C, Shahbazi M, York MK, Kunik ME, Naik AD, et al. Digital biomarkers of cognitive frailty: The value of detailed gait assessment beyond gait speed. Gerontology. 2022; 68(2):224-33. [DOI:10.1159/000515939] [PMID] [PMCID]
19. Zhou Y, Romijnders R, Hansen C, Campen Jv, Maetzler W, Hortobágyi T, et al. The detection of age groups by dynamic gait outcomes using machine learning approaches. Scientific Reports. 2020; 10(1):4426. [DOI:10.1038/s41598-020-61423-2] [PMID] [PMCID]
20. Kosse NM, Vuillerme N, Hortobágyi T, Lamoth CJ. Multiple gait parameters derived from iPod accelerometry predict age-related gait changes. Gait & posture. 2016; 46:112-7. [DOI:10.1016/j.gaitpost.2016.02.022] [PMID]
21. Harris EJ, Khoo IH, Demircan E. A survey of human gait-based artificial intelligence applications. Frontiers in Robotics and AI. 2022; 8:749274.  [DOI:10.3389/frobt.2021.749274] [PMID] [PMCID]
22. Mondal S, Das S, Vrana VG. How to bell the cat? A theoretical review of generative artificial intelligence towards digital disruption in all walks of life. Technologies. 2023; 11(2):44.   [DOI:10.3390/technologies11020044]
23. Downs SH, Black N. The feasibility of creating a checklist for the assessment of the methodological quality both of randomised and non-randomised studies of health care interventions. Journal of Epidemiology & Community Health. 1998; 52(6):377-84.   [DOI:10.1136/jech.52.6.377] [PMID] [PMCID]
24. Salami F, Ozates ME, Arslan YZ, Wolf SI. Can we use lower extremity joint moments predicted by the artificial intelligence model during walking in patients with cerebral palsy in the clinical gait analysis? PloS one. 2025; 20(4):e0320793. [DOI:10.1371/journal.pone.0320793] [PMID] [PMCID]
25. Kim S, Kim HS, Yoo JI. Sarcopenia classification model for musculoskeletal patients using smart insole and artificial intelligence gait analysis. Journal of Cachexia, Sarcopenia and Muscle. 2023; 14(6):2793-803. [DOI:10.1002/jcsm.13356] [PMID] [PMCID]