В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология комплексной оценки параметров походки человека с помощью носимых инерциальных датчиков (IMU). Авторы предлагают использовать архитектуру иерархического многозадачного обучения (Hierarchical Multi-Task Learning, HMTL) для одновременного извлечения различных характеристик движения. В отличие от традиционных подходов, этот метод позволяет модели эффективно разделять общие признаки движения и специфические параметры, что значительно повышает точность анализа. Исследование фокусируется на автоматизации процесса мониторинга биомеханики, что критически важно для ранней диагностики неврологических расстройств и реабилитации пациентов. Применение глубокого обучения в сочетании с инерциальными данными позволяет достичь высокой точности в распознавании паттернов ходьбы в реальном времени. Данная разработка имеет высокую практическую значимость для телемедицины и персонализированного мониторинга состояния пациентов вне клинических условий.