近三分之一的人成人的65岁以上每年瀑布，瀑布决策在这个年龄组致死性和非致死性伤害的首要原因。仅在美国，从老人跌倒受伤，预计每年的医疗费用为$ 50十亿[1]。
评估患者的跌倒风险，并在确定风险后采取适当的行动，对于减少跌倒相关的伤害至关重要。然而，许多传统上用于评估跌倒风险的方法依赖于主观评估或需要专业的临床经验。
我们在Kinesis Health Technologies的工程团队开发了一种客观，筛查秋季风险，脆弱和移动性损伤的定量方法，比传统方法更准确地为15％至27％。我们的QTUG™（定量定时和GO）系统（图1）使用从患者腿上的无线惯性传感器的数据。Matlab中开发的基于信号处理算法和基于机器学习的分类器®根据从传感器收集的数据和病人对常见跌倒危险因素问卷的反应，计算跌倒风险估计(FRE)和虚弱指数(FI)。
图1.具有临床软件（左）和传感器（右）的Kinesis QTUG系统。
用MATLAB开发QTUG软件使我们的完全用Java开发提供QTUG两到三倍的速度比本来可能®．这使我们能够缩短QTUG上市所需的时间，并使其在FDA、加拿大卫生部和欧盟注册为一类医疗设备。
传统的秋季风险的方法与QTUG
评估跌倒风险和流动性两个最常见的方法是定时起走（TUG）测试和Berg平衡量表（BBS）。在TUG测试中，临床医生使用一个秒表来衡量它需要多长时间，从患者坐在椅子上站立，步行三米，转身，回到椅子上，坐下来了。在BBS测试是更多地参与，要求患者完成一系列的平衡相关的任务;临床医生利率病人从0到4研究完成的规模每个子任务的能力证明，TUG和BBS测试是在下降的风险识别患者约50-60％准确。此外，在BBS测试需要临床医生就病人如何完成每个任务的主观判断。
kineesis QTUG提供了一种更详细、客观和准确的替代方法。在QTUG测试中，患者在膝盖以下的每条腿上都安装了两个无线惯性传感器。每个传感器包括一个加速度计和一个陀螺仪。然后，当传感器数据通过蓝牙传输到QTUG软件时，患者进行标准的站立、行走、转身和返回椅子的TUG测试动作®(图2)。
图2.患者装配有进行试验TUG运动的惯性传感器。
加速度计和陀螺仪信号的滤波和校准
每条腿上的传感器单元包括一个三轴加速度计和一个三轴陀螺仪。每个加速度计产生三个信号，反映沿x、y和z轴的运动。每个陀螺仪也产生三个信号，在三维空间中反映旋转运动。所有12个信号的传感器数据以102.4 Hz的频率采样。为了去除数据中的高频噪声，我们使用了使用Signal Processing Toolbox™中的Filter Designer设计的数字滤波器。在最初的开发过程中，我们评估了切比雪夫和巴特沃斯滤波器，发现具有20 Hz角频率的零相位二阶巴特沃斯滤波器工作得最好。
在设计滤波器的同时，我们还开发了用于校准传感器的MATLAB算法。这些现场校准算法对于消除传感器信号的偏差和在传感器之间获取一致的信号数据至关重要。校准算法还负责将传感器产生的原始32位信号值转换为有意义的单位，如m/s2（米每秒的平方）。
提取特征和培训量词
我们探索了MATLAB中的过滤信号数据，以识别与脆弱和坠落风险相关的特征和属性。例如，我们随时间绘制角速度，并检测到与患者的中腰部，脚跟撞击和行走时的脚趾点相对应的峰值。这些特征点允许我们区分在执行拖船测试的同时行走和转动（图3）。
图3.绘制拖曳试验期间峰角速度的图。
我们确定了70多个量化TUG参数，我们可以与患者的预期或历史数据秋季使用训练监督分类。这些特性包括平均步幅速度和长度，站立，坐下，步数需要转所用的时间，和时间花费在一英尺到两英尺而步行（图4）。
图4.图表示从典型TUG测试期间捕获的数据中提取的定量指标。
我们使用了Statistics和Machine Learning Toolbox™中的交叉验证和序列特征选择函数来选择具有最高预测值的特征子集，并验证了我们在MATLAB中实现的正则判别分类器模型。我们训练了一个独立的logistic回归分类器对患者问卷的数据，其中包括临床危险因素，如性别、身高、体重、年龄、视力损害和多药(服用处方药物的数量)。通过对基于传感器的模型和基于问卷的模型的结果进行加权平均，我们获得了总体的跌倒风险估计(图5)。我们使用类似的方法生成了对患者虚弱程度的统计估计。
图5.从地块获得的扰动分析结果落在男性的风险评估模型。扰动分析用于评估分类器的性能，并确定当特征值被操纵时输出(下降风险估计)将如何变化。
验证结果，并部署到生产硬件
我们根据收集到的数千名患者的临床试验数据训练我们的模型，并评估组合分类器产生的结果。作为分析的一部分，我们生成了脆弱性和跌落风险的直方图和散点图，证实了我们的假设，即这两个度量是密切相关的(图6)。
图6.直方图和展示的脆弱和跌倒风险之间的联系散点图。
我们还比较QTUG与传统TUG测试和Berg平衡量表的特定患者群体的准确性。是专注于患者的帕金森氏病的最新研究，例如，表明QTUG比TUG测试近30％更准确。对于每一种方法，我们研究灵敏度（正确识别的衰落百分比）和特异性（正确识别的非衰退百分比）。然后，我们为所有方法绘制了ROC曲线，这些方法用曲线下的最大区域显示出QTUG。
为了实现触摸屏的Android™设备上的QTUG分类，我们在Java中重新编码他们。要更新基于新的基准数据集的分类系数，我们只需从MATLAB导出它们，然后将其纳入我们的Android构建一个Android资源文件。The complete QTUG Android app guides the clinician through the test, receives the sensor data transmitted via Bluetooth, processes the data with the classifier models, and displays the fall risk and frailty score together with a reference that shows how the patient’s results compare with the results of his or her peers.
迄今为止，在八个国家临床医生使用QTUG 2名万多患者评价。我们将继续提高基准数据集作为新的结果出来。我们也在开发MATLAB算法，使个人能够评估自己使用移动电话有回落风险。新算法处理来自手机的加速计和陀螺仪的数据。它产生的简化跌倒风险评估，无需办公室访问，每天可跟踪，以揭示回落风险增加。
