利用惯性传感器和机器学习评估老年人跌倒的风险

在65岁以上的成年人中，每年几乎有三分之一的人摔倒，这使得摔倒成为这一年龄组致命和非致命伤害的主要原因。仅在美国，老年人摔伤每年的医疗费用估计就高达500亿美元。

评估患者的跌倒风险并在确定风险时采取适当的行动对于减少与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专业知识。

我们在Kinesis Health Technologies的工程团队开发了一种客观、定量的筛查跌倒风险、虚弱和行动障碍的方法，比传统方法准确15%至27%。我们的QTUG™(Quantitative Timed Up and Go)系统(图1)使用放置在患者腿上的无线惯性传感器的数据。基于MATLAB开发的信号处理算法和机器学习分类器^®根据传感器收集的数据和患者对常见跌倒风险因素问卷的回答，计算跌倒风险估计值(FRE)和虚弱指数(FI)。

用MATLAB开发QTUG软件使我们交付QTUG的速度比完全用Java开发快两到三倍^®．这使我们能够缩短将QTUG推向市场所需的时间，并将其注册为FDA、加拿大卫生部和欧盟的I类医疗器械。

传统跌倒风险方法vs. QTUG

评估跌倒风险和移动能力的两种最常见的方法是定时起跑(TUG)测试和伯格平衡量表(BBS)。在TUG测试中，临床医生使用秒表来测量患者从坐在椅子上站起来，走三米，转身，回到椅子上，再坐下来需要多长时间。BBS测试更复杂，需要患者完成一系列与平衡相关的任务;临床医生对患者完成每一个子任务的能力进行评分，评分范围从0到4。研究表明，TUG和BBS测试在识别有跌倒风险的患者方面的准确率约为50-60%。此外，BBS测试要求临床医生对患者完成每项任务的情况做出主观判断。

Kinesis 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，患者进行站立、行走、转弯和回到椅子上的标准TUG测试动作^®(图2)。

滤波和校准加速度计和陀螺仪信号

每条腿上佩戴的传感器单元包含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。每个陀螺仪还产生三个信号，反映三维旋转运动。所有12个信号的传感器数据以102.4 Hz的速率采样。为了去除这些数据中的高频噪声，我们使用了使用信号处理工具箱中的滤波器设计器设计的数字滤波器。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，发现零相位，二阶巴特沃斯滤波器与20赫兹角频率工作最好。

在设计滤波器的同时，我们还开发了校准传感器的MATLAB算法。这些现场校准算法对于消除传感器信号的偏差和获得跨传感器的一致信号数据至关重要。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/秒的平方。

提取特征和训练分类器

我们在MATLAB中探索滤波后的信号数据，以识别与脆弱和跌倒风险相关的特征和属性。例如，我们绘制了角速度随时间的变化，并检测到与患者走路时的中间摆动、脚跟撞击和脚尖脱落点相对应的峰值。这些特征点允许我们在执行TUG测试时区分行走和转弯(图3)。

我们确定了70多个定量TUG参数，可以与患者的预期或历史跌倒数据一起使用，以训练有监督的分类器。这些特征包括平均步幅速度和长度，站立和坐姿所需的时间，转弯所需的步数，以及行走时单脚和双脚所花费的时间(图4)。

我们使用统计和机器学习工具箱™中的交叉验证和顺序特征选择函数来选择具有最高预测值的特征子集，并验证我们在MATLAB中实现的正则化判别分类器模型。我们对来自患者问卷的数据进行了单独的逻辑回归分类器训练，其中包括性别、身高、体重、年龄、视力障碍和多重用药(服用处方药的数量)等临床风险因素。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对患者的虚弱程度进行统计估计。

验证结果并部署到生产硬件

我们用从数千名患者身上收集的临床试验数据训练我们的模型，并评估联合分类器产生的结果。作为分析的一部分，我们生成了虚弱和跌倒风险的直方图和散点图，这证实了我们的假设，即两个度量密切相关(图6)。

我们还比较了特定患者组QTUG与传统TUG测试和Berg平衡量表的准确性。例如，最近一项针对帕金森氏症患者的研究表明，QTUG测试的准确率比TUG测试高出近30%。对于每种方法，我们都进行了检查灵敏度(正确识别的跌倒者的百分比)和特异性(正确识别的不跌倒者的百分比)。然后，我们绘制了所有方法的ROC曲线，清楚地显示曲线下面积最大的QTUG。

为了在触屏Android™设备上实现QTUG分类器，我们用Java重新编码了它们。为了根据新的参考数据集更新分类器系数，我们只需将它们从MATLAB导出到Android资源文件，然后将其合并到我们的Android构建中。完整的QTUG Android应用程序指导临床医生完成测试，接收通过蓝牙传输的传感器数据，使用分类器模型处理数据，并显示跌倒风险和虚弱评分，以及显示患者结果与他或她的同龄人结果如何比较的参考。

迄今为止，8个国家的临床医生已经使用QTUG评估了2万多名患者。随着新结果的出现，我们将继续改进参考数据集。我们还在开发一种MATLAB算法，使个人能够自己使用手机评估跌倒风险。新算法处理来自手机加速计和陀螺仪的数据。它产生了一个简化的跌倒风险评估，不需要去办公室，可以每天跟踪，以揭示跌倒风险的增加。