転倒リスクを伴わない高齢者のバランス能力評価：生体電気インピーダンスの可能性

9月 14, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Electrical bioimpedance spectral markers distinguish balance ability in older adults without provoking fall risk
Journal of NeuroEngineering and Rehabilitation｜被引用数: 0（2026年9月14日時点）

高齢者にとって転倒は深刻な健康問題ですが、現在のバランス評価テストには転倒リスクを伴うものが多いのが現状です。本記事では、生体電気インピーダンス（EBI）という非侵襲的な手法が、転倒リスクを誘発することなく高齢者のバランス能力を安全かつ客観的に評価できる可能性を探る革新的な研究をご紹介します。筋肉レベルの神経筋活動を捉える新しいアプローチが、在宅での評価やリハビリテーションのモニタリングにどのように貢献するか、Beyond the Pixelが詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の表面電極とウェアラブルな低消費電力計測器で実現可能。
Ethical倫理面	転倒リスクを伴わない安全な静的姿勢での評価であり、高齢者にとって倫理的。
Interesting面白さ	従来のバランス評価の限界を克服し、筋レベルの新しいバイオマーカーを発見。
Novel新規性	EBIの周波数領域特性が安全な静的姿勢におけるバランス能力を区別することを初めて示した。
Relevant切実さ	転倒予防とリハビリテーション計画に貢献し、在宅での評価も可能にする。
Measurable測定可能性	EBI信号の周波数特性から定量的なスペクトルマーカーを測定可能。
Modifiable派生・改善	将来的にリハビリテーション介入の効果測定や進捗モニタリングに利用可能。
Structured文章構造	参加者層別化、厳密なデータ収集プロトコル、多段階の特徴量抽出、堅牢な統計解析。
PICO / PECO対象・介入・比較・結果	(P) 転倒リスクのある高齢者、(I) 長趾伸筋のEBIスペクトル解析、(C) 従来のバランス評価、(O) 転倒リスクを伴わないバランス能力評価。

はじめに：高齢者の転倒リスクと現在のバランス評価の課題

どうも、Beyond the Pixelです。高齢者にとって転倒は世界的な健康問題であり、毎年68万人以上が転倒で亡くなっています。65歳以上の30%、85歳以上の50%が年に一度は転倒すると推定されており、転倒はほぼ全ての年齢層で怪我の主な原因です。転倒リスクと密接に関連する筋力とバランス制御能力は、加齢とともに低下します。このため、高齢者のバランス能力を正確に評価することは、転倒リスクの評価やリハビリテーション計画において非常に重要です。しかし、片足立ちなどの広く用いられている臨床テストは、転倒を引き起こす可能性のある姿勢を必要とします。このことが、専門家による評価や在宅での評価を進める上での大きな課題となっていました。

現在のガイドラインでは、歩行速度や片足立ちなどのタスクが推奨されていますが、これらは機能的パフォーマンスや全体的な筋力を捉えるものであり、姿勢制御を生成する神経筋活動そのものを反映するものではありません。また、30秒椅子立ち上がりテストやファンクショナルリーチテストなど、いくつかのテスト自体が転倒のリスクを伴う可能性があります。ウェアラブルセンサー技術も進化していますが、これまでのセンサーは体の動きの力学を捉えるものであり、筋肉の活動そのものを特徴づけることはできませんでした。

そこで注目されるのが、生体電気インピーダンス（EBI）です。これは筋肉の電気的特性を測定するもので、筋肉の収縮や体液分布に伴う組織の変化を捉えることができます。EBIは非侵襲的に筋レベルの活動を捉えることができる一方で、これまでの研究では、時間領域のマグニチュード（振幅）に基づく特徴量に限定され、安全な静的姿勢でのバランス能力を区別できるか、または信号の周波数領域での組織が情報を提供できるかについては十分に検証されていませんでした。本研究は、このギャップを埋めることを目的としています。転倒リスクを伴わない安全な静的姿勢で、筋肉レベルの神経筋活動を評価できる新しいセンサーベースの評価法を確立することで、在宅や非監視下での評価が可能になり、高齢者の生活の質向上に大きく貢献することが期待されます。

生体電気インピーダンス（EBI）を用いた新しいバランス評価法の検証

本研究の目的は、安全な静的姿勢（座位、安定した立位、タンデム立位）において、足首の微細な姿勢調整に寄与する長趾伸筋（EDL）の生体電気インピーダンス（EBI）信号の特性を特定し、EBIの特徴量が片足立ちのパフォーマンスで定義されるバランス能力の差を区別できるかを評価することでした。

本研究では、60歳から74歳までの地域在住の成人28名が参加しました。参加者は片足立ちのパフォーマンスに基づいて、バランス能力の「良好群（P）」と「不良群（F）」の2つのグループに分けられました。良好群はセンサー脚（パフォーマンスの低い方の脚）で60秒間片足立ちを維持できた14名、不良群は40秒間維持できなかった11名です。中間的なパフォーマンスの対象者は分析から除外されました。EBIは、

**Figure 1.** Fig. 1 Schematic representation of the tetrapolar EBI sensor configura tion. Four Ag/AgCl gel electrodes are positioned along the EDL muscle of the sensor leg解説: この図は、生体電気インピーダンス（EBI）センサーを長趾伸筋（EDL）に配置する様子を示しています。4つのAg/AgClゲル電極がEDL筋に沿って取り付けられ、測定が行われます。

に示すように、EDL筋の上に4極のAg/AgClゲル電極を配置するテトラポーラ構成で記録されました。研究ではMax30009EVKIT EBIデバイスが使用され、50 kHz、1.28 mAの電流を注入し、最大サンプリングレートは390 Hzでした。

EBIデータは、

**Figure 2.** Fig. 2 Participant activity protocol: TS_F, St_P, TS_B and Sit_P解説: この図は、参加者がEBI測定中に実行した4つの活動プロトコルを示しています。左からタンデム立位（前）、安定した立位、タンデム立位（後）、椅子に座った姿勢です。

に示す4種類の静的姿勢（タンデム立位（前）、安定した立位、タンデム立位（後）、座位）で、各40秒間記録されました。各姿勢は1回ずつ、固定された順序で実施されました。データ処理では、各活動試行の中央30秒間のEBI時系列が分析に用いられました。信号は標準化された前処理の後、スペクトル分析や時間周波数分解を用いて時間領域と周波数領域で分析されました。

具体的には、時間平均パワースペクトルからスペクトルセントロイド、低帯域・高帯域パワー、スペクトルエントロピーなどの特徴量が計算されました。また、バランス修正や不安定性イベントに対応する可能性のある一時的なスペクトル時間活動を特定するために、偏差ベースのイベント検出アルゴリズムが適用されました。顕著なスペクトルピークを特徴づけるために、ピーク検出アルゴリズムが使用され、中心周波数、帯域幅、ピークパワーなどの記述子が計算されました。さらに、生信号と10Hzで低域通過フィルター処理された信号から、平均インピーダンス、ピーク間振幅、四分位範囲、スキューネス、尖度などの時間領域の特徴量が抽出されました。

初期段階では61の候補特徴量がありましたが、重複を減らし解釈可能性を向上させるために、事前に定義された削減ルールと相関スクリーニングにより25の非冗長な主要特徴量セットに絞り込まれました。この特徴量セットの内訳は、全球スペクトル・イベント特徴量6つ、ピーク帯域・バックグラウンド特徴量12つ、時間領域インピーダンス記述子7つでした。

**Table 1.** Table 1 Primary (non‑redundant) 25‑feature set used for inferential testing Feature Signal-processing definition Statistical considerations f_centroid_Hz Spectral centroid (power-weighted mean frequency) within 0–10 Hz. Continuous; can be outlier-sensitive when spectra are flat or multi-modal. frac_low Fraction of total 0–10 Hz power in the individualized low band [0, fmed].解説: この表は、推論的テストに使用された25の主要な（非冗長な）特徴量のセットをまとめたものです。各特徴量の信号処理上の定義と、統計的な考慮事項が記載されています。

には、これらの主要な25の特徴量の定義と統計的考慮事項がまとめられています。

統計分析では、Generalized Estimating Equations (GEE) と、分布の仮定を最小限に抑える参加者レベルの順列検定を組み合わせて、良好群（P）と不良群（F）の間の群間差を評価しました。活動を参加者内要因として調整し、複数比較制御のためにBenjamini-Hochberg FDRとBonferroni補正が適用されました。この堅牢な分析戦略により、小規模なサンプルでも信頼性の高い推論が保証されました。

**Figure 7.** Fig. 7 Spearman correlation (ρ) heatmap for the 25 primary features, computed at the participant level after activity residualization. Features are ordered by hierarchical clustering解説: この図は、活動調整後の参加者レベルで計算された、25の主要な特徴量間のスピアマン相関（ρ）のヒートマップを示しています。特徴量は階層的クラスタリングによって順序付けられています。

には、活動調整後の25の主要特徴量間のSpearman相関（ρ）ヒートマップが示されています。これにより、特徴量間の冗長性が評価され、解析の透明性が保たれました。

低周波EBIスペクトルが示すバランス能力の差

研究の結果、EBI信号の特性が、バランス能力の良好群（P群）と不良群（F群）の間で有意に異なることが明らかになりました。

まず、研究者が記録中に識別した姿勢のぐらつき（wobbling）やEDL筋の収縮などの事象と、EBI信号の生データとの対応が確認されました。

**Figure 3.** Fig. 3 Raw EBI signal from a representative recording with annotated intervals: wobbling (green), EDL muscle contraction (red), and wobbling + contrac tion (magenta)**解説:** このグラフは、代表的な記録からの生EBI信号と、ぐらつき（緑）、EDL筋収縮（赤）、ぐらつきと収縮の組み合わせ（マゼンタ）の注釈付き間隔を示しています。信号はゆっくりと変化するベースラインの周りで連続的に変動しています。

は、ぐらつき、筋収縮、および両方が同時に発生する代表的なEBI信号の記録を示しています。信号はゆっくりと変化するベースラインの周りで連続的に変動し、注釈が付けられた各間隔は、記録中に観察されたイベントタイプを例示しています。

代表的な参加者のデトレンド（傾向除去）された時系列信号と、それに対応する短時間フーリエ変換（STFT）パワー、および時間平均パワースペクトル密度（PSD）は、姿勢タスク中のEBI信号エネルギーが主に0〜10 Hzの範囲に集中していることを示しています。

**Figure 4.** Fig. 4 Representative 30 s EBI segments during TS_B. (a–b) Detrended time‑domain signals for one participant from Group P and one from Group F. (c–d) Short‑time Fourier transform power limited to 0–10 Hz. (e–f) Time‑averaged power spectral density for the same segments解説: この図は、タンデム立位（TS_B）中の代表的な30秒間のEBIセグメントを示しています。(a-b)は良好群（P）と不良群（F）の参加者のデトレンド時系列信号、(c-d)は0-10Hzに限定された短時間フーリエ変換（STFT）パワー、(e-f)は同じセグメントの時間平均パワースペクトル密度です。

は、良好群と不良群の代表的な30秒間のEBIセグメントと、0〜10Hzに限定されたSTFTパワー、時間平均PSDを示しています。また、

**Figure 5.** Fig. 5 Group‑level PSD for 0–10 Hz with 95% confidence bands for Group P and Group F解説: このグラフは、良好群（P）と不良群（F）の0-10Hzにおけるグループレベルのパワースペクトル密度（PSD）と95%信頼帯域を示しています。両グループでスペクトルパワーが10Hz未満に集中していることが分かります。

は、両グループの0〜10HzにおけるグループレベルのPSD分布を、95%信頼帯域とともに要約しており、スペクトルパワーが両グループの参加者全体で10Hz未満に集中していることを示しています。

0〜10 Hz帯域内で、参加者ごとの適応型スペクトル記述子も定量化されました。これは、参加者ごとの全0〜10 Hzパワーの50%が累積される周波数である「f_med_Hz」を用いて、低周波数帯のパワーの割合「frac_low」を評価するものです。

**Figure 6.** Fig. 6 Participant‑adaptive spectral descriptors within 0–10 Hz by activity (TS_F, St_P, TS_B and Sit_P) and group (P and F). (a) frac_low: fraction of 0–10 Hz power below the participant‑specific median frequency. (b) f_med_Hz (Hz): participant‑specific median frequency that bisects integrated 0–10 Hz power. Boxplots show the median (line), interquartile range (box), and whiskers to 1.5×IQR解説: この図は、0-10Hz帯域内における参加者適応型スペクトル記述子を、活動（TS_F, St_P, TS_B, Sit_P）とグループ（P群、F群）別に示しています。(a)は参加者固有の中央周波数（f_med_Hz）未満の0-10Hzパワーの割合（frac_low）、(b)は統合された0-10Hzパワーを二分する参加者固有の中央周波数（f_med_Hz）を示しています。ボックスプロットは中央値、四分位範囲、および1.5倍の四分位範囲までのひげを示しています。

では、活動別およびグループ別の参加者適応型スペクトル記述子が示されています。frac_lowはグループ間で重複する四分位範囲で約0.48の中央値で密接にクラスター化されていましたが、f_med_Hzは活動内および活動間でより大きな分散を示しました。しかし、これらの記述子において、統計的に有意な群間差は見られませんでした。

主要な25の特徴量を用いた分析では、

**Table 2.** Table 2 Complete list of features indicating survival across FDR and Bonferroni significance thresholds Feature n Δ 95% CI pGEE qFDR peaks_total_frac_ power***解説:** この表は、FDRおよびBonferroni有意水準に達したかどうかを示す、特徴量の完全なリストです。各特徴量の観測数（n）、平均差（Δ）、95%信頼区間、GEEのp値、およびFDR調整されたq値が示されています。

に示すように、多重比較補正（Benjamini-Hochberg FDRおよびBonferroni補正）後も、3つの周波数領域特徴が有意な群間差を示しました。具体的には、「peaks_total_frac_power」（検出されたすべてのピークによって説明される全0〜10 Hzパワーの総割合）、「n_peaks」（検出されたスペクトルピークの数）、および「peak1_frac_power」（支配的なピークによって運ばれる全0〜10 Hzパワーの割合）です。これらの結果は、GEEモデルと参加者レベルの順列検定（

**Table 3.** Table 3 Participant‑level, activity‑residualized permutation tests for the 25 features Feature n Δadj Co hen’s d解説: この表は、25の特徴量に対する参加者レベルで活動調整された順列検定の結果を示しています。観測数（n）、活動調整後の平均差（Δadj）、Cohenのd、両側順列p値（10万回）、およびFDR調整されたq値（10万回）が報告されています。

に詳細）の両方で確認されました。

バランス能力の良好群（P群）の参加者は、EBI信号のより強力な振動的組織化を示し、これは識別可能なスペクトルピーク内により大きなパワー集中とより多くのピーク数として現れました。対照的に、バランス能力の不良群（F群）の参加者は、ピークが少なく、より広帯域なプロファイル（低周波振幅の変動が大きく不規則）を示しました。

**Figure 8.** Fig. 8 Participant-level, activity-residualized distributions (boxplots) for features with pperm (100k) < 0.05. The box represents the interquartile range, the horizontal line indicates the median, whiskers extend to 1.5×IQR, and the red diamonds denote the group means解説: この図は、順列検定（10万回）でp値が0.05未満であった特徴量について、参加者レベルで活動調整された分布（箱ひげ図）を示しています。ボックスは四分位範囲、中央の線は中央値、ひし形は平均値、ひげは最大/最小値を示し、丸は外れ値です。

は、順列検定で統計的に有意な差が見られた特徴量について、参加者レベルで活動調整された分布を箱ひげ図で示しています。

これらの結果は、安全な静的姿勢で記録された筋肉のEBI信号の低周波スペクトル特徴が、高齢者のバランス能力を区別し、遠位の姿勢制御活動の時間的組織における違いを明らかにすることを示しています。これは、EBI由来のスペクトルマーカーが、バランス制御の質の筋肉レベルのバイオマーカー候補として有用であり、高齢者が転倒リスクを伴う姿勢を取る必要のない、より安全なセンサーベースの評価法への道を開くものとなります。このアプローチは、リハビリテーションモニタリングへの統合に非常に適しており、監視下および非監視下の両方の設定で既存の臨床バランス評価を補完する可能性があります。

考察：なぜEBIはバランス能力を評価できるのか

本研究で静的姿勢を選択した理由は、EBI信号のうち、微妙なバランス駆動型の筋収縮を反映する可能性のある低周波インピーダンス変動の部分を分離するためです。動的な活動中に発生する大きな動き関連の変化とは異なり、静的条件下で観察される低周波インピーダンス変動は、大まかな動きによる影響が少なく、平衡を維持するために使用される継続的な収縮活動とより関連付けることができます。足首の安定化と小さな姿勢調整における確立された役割から、長趾伸筋（EDL）がターゲットとされました。

我々の以前の研究では、同じセットアップを使用して、EDL筋が静的および動的活動中に明確で再現性のあるインピーダンス変動を示し、協調性と安定性の要求に関連する特徴的な変動があることが示されています。これらの先行研究は、EBIが大きな筋活動とバランス制御に関連する微妙なインピーダンス変化の両方を捉えるのに適していることを裏付けています。実際には、低振幅の変動を維持しつつノイズやベースラインアーティファクトを抑制する処理パイプラインが必要であり、その後、振幅、変動性、変動内容を定量化する特徴量抽出が必要です。この組み合わせアプローチは、筋レベルでの収縮駆動型インピーダンスダイナミクスの生理学的に根拠のある解釈を支持し、得られた記述子は以前に報告された筋特異的な信号パターンと一致しています。

姿勢制御は、単一の安定した振動ではなく、ゆっくりとした動揺成分と間欠的な修正調整の混合を反映するため、バランス関連のインピーダンス変動は時間とともに変化することが予想されます。このような状況では、単一のグローバルなフーリエスペクトルに依存すると、時間変化を捉えきれない可能性があります。

研究の限界としては、EBIの解釈が、個体差のある皮下脂肪や皮膚の厚さ、組織の水分量、電極の位置、電極-皮膚界面のインピーダンスによって影響を受ける可能性がある点が挙げられます。このため、EBIは確立された方法の代替ではなく、補完的なアプローチとして検討されています。しかし、本研究の結果は、EBIが従来の評価法に比べて転倒リスクを伴わずにバランス能力を評価できる、有望なツールであることを示唆しています。

今後の展望としては、これらのEBI由来のスペクトルマーカーが、リハビリテーション介入のモニタリングや、在宅での自己評価など、幅広い臨床現場で活用されることが期待されます。これにより、高齢者の転倒予防とバランス能力の維持に貢献し、より安全で質の高い生活を支援できるでしょう。

用語集

生体電気インピーダンス (EBI): 筋肉の活動や組織の変化に伴う電気的特性の変化を測定する方法。
長趾伸筋 (EDL): 足首の微細な姿勢調整に寄与する筋肉。
スペクトル分析: 信号を構成する様々な周波数成分と、それぞれの強度（パワー）を分析すること。
姿勢制御: 身体のバランスを維持するための神経筋活動。
単一脚立位テスト (Single-leg stance): 片足でどれくらいの時間立てるかを測定する、一般的なバランス評価テスト。
テトラポーラ構成: 生体電気インピーダンス測定において、電流注入用と電圧測定用に合計4つの電極を使用する方法。
フーリエ変換: 時間領域の信号を周波数領域の信号に変換する数学的手法。
偽発見率 (FDR) 補正: 多数の統計的検定を行う際に、誤って「有意である」と判断する確率を制御する方法。
ボンフェローニ補正: 多数の統計的検定を行う際に、偽陽性（タイプIエラー）の発生確率を厳密に制御する方法。
ジェネラライズド推定方程式 (GEE): 繰り返し測定されたデータ（同じ対象者から複数回取得したデータなど）を分析するための統計モデル。