Gangpatroon: wat je manier van lopen over je verraadt
Iedereen loopt anders. De lengte van je pas, het ritme waarin je voeten de grond raken, hoeveel je armen meebewegen, hoe je gewicht van hiel naar teen rolt: samen vormen die kenmerken je gangpatroon, ook wel gait genoemd (het Engelse woord voor manier van lopen). Net als een vingerafdruk is dat patroon voor bijna iedereen net even anders, en dat maakt het bruikbaar als identificatiemiddel of als diagnostisch hulpmiddel.
Denk aan een vriend die je op honderd meter afstand herkent aan zijn loopje, nog voor je zijn gezicht kunt zien. Precies dat vermogen proberen camera's, algoritmes en sensoren nu na te bootsen. Voor de een is dat een manier om iemands identiteit te bevestigen zonder dat diegene meewerkt, voor de ander een venster op vroege tekenen van ziekte, valrisico of een versleten heup. Beide toepassingen draaien om dezelfde kernvraag: wat vertelt de manier waarop je loopt over wie je bent en hoe het met je lichaam gaat?
Wat is het precies?
Een gangpatroon bestaat uit tientallen meetbare kenmerken: staplengte, stapfrequentie (cadans), de hoek van knie en enkel tijdens elke fase van de pas, hoeveel het bekken kantelt, en de symmetrie tussen linker- en rechterbeen. Onderzoekers verdelen een volledige pas doorgaans in een steunfase (de voet raakt de grond) en een zwaaifase (het been beweegt naar voren), en meten hoe die elkaar afwisselen.
Er zijn twee hoofdmanieren om dit te meten. De eerste is beeld-gebaseerd: een camera filmt iemand die loopt, software haalt de silhouet uit elk beeld en een algoritme voor deep learning (een vorm van kunstmatige intelligentie die patronen leert herkennen uit grote hoeveelheden voorbeelden) zet die reeks silhouetten om in een soort digitale handtekening. Bekende onderzoeksmodellen hiervoor heten bijvoorbeeld GaitSet en GaitPart. Die handtekening wordt vervolgens vergeleken met een database om te zien of er een match is.
De tweede manier is sensor-gebaseerd: kleine bewegingssensoren, zogeheten accelerometers en gyroscopen (die versnelling en rotatie meten), zitten in een smartwatch, een schoenzool of worden op het lichaam bevestigd. Ze registreren rechtstreeks de trillingen en bewegingen van elke stap. In ziekenhuizen gebruikt men vaak nog uitgebreidere opstellingen: reflecterende markers op het lichaam die door meerdere infraroodcamera's tegelijk worden gevolgd (motion capture), gecombineerd met drukplaten in de vloer die precies meten hoe de voet kracht uitoefent.
Wat wil men ermee bereiken?
In de veiligheidswereld is het aantrekkelijke van gangpatroonherkenning dat het op afstand werkt, ook als iemand geen gezicht toont, een masker draagt of niet naar de camera kijkt. Dat maakt het interessant voor bewakingscamera's op straat of bij grenscontroles, als aanvulling op gezichtsherkenning.
In de zorg is het doel juist vroege signalering. Een sluipend veranderend looppatroon kan wijzen op de ziekte van Parkinson, multiple sclerose, een beginnende dementie of simpelweg een verhoogd valrisico bij ouderen. Artsen gebruiken gangmetingen ook om te bepalen of een operatie nodig is, bijvoorbeeld bij kinderen met cerebrale parese (een aandoening die spieraansturing beïnvloedt), en om te controleren of een prothese of orthese goed is afgesteld.
Daarnaast spelen sportwetenschap en biomechanica een rol: schoenfabrikanten meten hoe lopers hun voet neerzetten om blessures te voorkomen en schoenen te optimaliseren. En in de consumententechnologie wordt onderzocht of een telefoon iemand continu kan herkennen aan de manier waarop die persoon loopt met het toestel op zak, als extra beveiligingslaag naast een pincode.
Voorbeelden uit de praktijk
Een van de bekendste voorbeelden is het Chinese bedrijf Watrix, dat voortkwam uit onderzoek van het Institute of Automation van de Chinese Academy of Sciences en gangpatroonherkenning inzette voor bewakingscamera's in Chinese steden. Het bedrijf claimde mensen op tientallen meters afstand te kunnen identificeren, zelfs van achteren en zonder het gezicht te zien. Onafhankelijke, grootschalige verificatie van die claims onder realistische straatomstandigheden is niet publiek beschikbaar.
Voor wetenschappelijk onderzoek wordt wereldwijd veel gebruikgemaakt van de CASIA Gait Database, een verzameling loopvideo's die al sinds begin jaren 2000 door datzelfde Chinese instituut wordt bijgehouden en die als standaard testmateriaal dient voor nieuwe algoritmes.
In Japan geldt Osaka University als een van de centra voor dit onderzoeksveld, met werk aan grootschalige gangdatabases en herkenning uit verschillende camerahoeken.
In de medische wereld draaien ganganalyselaboratoria op ziekenhuizen en revalidatiecentra al decennia met optische motion-capture-systemen (zoals die van het Britse bedrijf Vicon) om de looppatronen van kinderen met cerebrale parese in kaart te brengen voordat artsen een operatie plannen.
Op het gebied van robotica ontwikkelen bedrijven als het Amerikaanse Ekso Bionics en het Zuid-Koreaanse Hyundai looprobots en exoskeletten (draagbare robotpakken die het lichaam ondersteunen) die zich in real time aanpassen aan het gedetecteerde gangpatroon van de drager, bijvoorbeeld om revalidanten na een beroerte weer te leren lopen.
Hoe ver is de techniek?
De medische kant van ganganalyse is technisch volwassen: motion-capture-labs bestaan al sinds de jaren tachtig en negentig en worden routinematig klinisch ingezet. De grootste belemmering daar is praktisch: de apparatuur is duur, vraagt gespecialiseerd personeel en past niet in elke huisartsenpraktijk. Goedkopere varianten met losse bewegingssensoren of gewone camera's en AI winnen terrein, maar moeten nog breed gevalideerd worden tegen de gouden standaard.
Beeld-gebaseerde gangpatroonherkenning voor beveiligingsdoeleinden staat minder ver. In gecontroleerde laboratoriumomstandigheden, met een vaste camerahoek en weinig andere variabelen, kunnen deep-learning-modellen indrukwekkend hoge herkenningspercentages halen. Zodra factoren als kleding (een lange jas verandert het silhouet volledig), een tas, een andere ondergrond, vermoeidheid of een dronken avond meespelen, daalt de betrouwbaarheid aanzienlijk. Het geldt daarom in de vakliteratuur nog niet als bewijskrachtig genoeg om als enige identificatiemiddel te dienen, eerder als extra aanwijzing naast andere biometrische gegevens zoals gezicht of kleding.
Er kleeft ook een privacydimensie aan: gangpatroonherkenning werkt zonder dat iemand daar toestemming voor geeft of zich er zelfs van bewust is, en op grotere afstand dan gezichtsherkenning. Onderzoek laat tegelijk zien dat mensen hun loopstijl bewust kunnen veranderen om herkenning te bemoeilijken, wat de betrouwbaarheid in de praktijk verder ondermijnt.
Wie werken eraan?
China is via instellingen als het Institute of Automation van de Chinese Academy of Sciences en spin-offbedrijven als Watrix een van de drijvende krachten achter beveiligingstoepassingen van gangpatroonherkenning. Japan bouwde met onderzoeksgroepen aan universiteiten zoals Osaka University een sterke academische traditie op dit gebied op. In het Verenigd Koninkrijk doet University of Southampton al jarenlang fundamenteel onderzoek naar gangbiometrie.
Op medisch en robotica-vlak zijn spelers als Vicon (motion-capture-systemen), Ekso Bionics en Hyundai (exoskeletten) toonaangevend, naast talloze universitaire revalidatiecentra en kinderziekenhuizen wereldwijd die eigen gangonderzoekslabs runnen. Ook standaardisatie-instituten zoals het Amerikaanse NIST houden zich bezig met de betrouwbaarheid en normen rond biometrische technologieën, waaronder opkomende methoden als gangherkenning.