每年三个成年人中的几个成年人几乎是一年中的一个，占该年龄组致命和非暴力伤害的主要原因。仅在美国，老人跌落的损伤年度医疗成本为500亿美元[1]。
评估患者的跌倒风险并在确定风险时采取适当措施对于减少跌倒相关伤害至关重要。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家。
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患者对常见跌倒风险因素问卷的回答，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。
使用MATLAB开发QTUG软件使我们能够将QTUG交付两到三倍，而不是完全在Java中发展®. 这使我们能够缩短将QTUG推向市场并在FDA、加拿大卫生部和欧盟注册为一级医疗器械所需的时间。
传统的秋季风险方法与qtug
用于评估秋季风险和移动性的两种最常见的方法是定时和去（拖动）测试和BERG平衡量表（BBS）。在一个拖船试验中，临床医生使用秒表来测量患者坐在椅子上的时间达到多长时间，走三米，转身，回到椅子上，然后坐下来。BBS测试更有涉及，需要患者完成一系列与平衡相关的任务;临床医生将患者从0到4的等级完成每个子任务的能力。研究表明，拖动和BBS测试在识别有跌倒风险的患者方面约为50-60％。此外，BBS测试要求临床医生对患者完成每项任务的程度如何做出主观判断。
Kinesis QTUG为这些方法提供了更详细、客观和准确的替代方法。在QTUG测试中，患者安装了两个无线惯性传感器，一个位于膝盖以下的每条腿上。每个传感器包括一个加速计和一个陀螺仪。然后，当传感器数据通过蓝牙传输到QTUG软件时，患者执行站立、行走、转身和返回椅子的标准拖船测试动作®（图2）。
图2.患者配有惯性传感器，执行拖船试验。
加速度计和陀螺仪信号的滤波和校准
每条腿上佩戴的传感器单元包含一个三轴加速计和一个三轴陀螺仪。每个加速计产生三个信号，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的频率采样。为了去除数据中的高频噪声，我们使用数字滤波器，我们使用信号处理工具箱中的滤波器设计器设计数字滤波器™. 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20Hz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获取传感器间的一致信号数据至关重要。校准算法还负责将传感器生成的原始32位信号值转换为有意义的单位，如m/s2.（每秒平方米）。
提取功能和培训分类器
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。
我们确定了超过70个定量拖船参数，我们可以与患者的潜在或历史秋季数据一起使用以培训监督分类器。这些特征包括平均步伐速度和长度，静置和坐下的时间，转弯所需的步数，步行一英尺两英尺的时间（图4）。
图4.图表显示从典型拖船测试期间捕获的数据中提取的定量度量。
我们使用了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™ 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。我们根据患者问卷中的数据训练了一个单独的逻辑回归分类器，其中包括临床风险因素，如性别、身高、体重、年龄、视力障碍和多种药物（服用处方药的数量）。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。
图5。从男性跌倒风险评估模型获得的扰动分析结果图。扰动分析用于评估分类器的性能，并确定输出（跌倒风险估计）将如何随着特征值的操作而变化。
验证结果并部署到生产硬件
我们根据收集的数千名患者的临床试验数据对模型进行训练，并评估组合分类器产生的结果。作为该分析的一部分，我们生成了脆弱性和跌倒风险的直方图和散点图，证实了我们的假设，即这两个指标密切相关（图6）。
图6.直方图和散点图显示脆弱和坠落风险之间的联系。
我们还将QTUG的准确性与传统的拖轮试验和特定患者群体的BERG平衡标度进行了比较。例如，近期专注于帕金森病的患者的研究表明，QTUG比拖船试验更准确地近30％。对于每种方法，我们检查了敏感（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。
要在触摸屏上实现触摸屏和谐™设备上的QTUG分类器，我们将它们重新编码为Java。要基于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，然后将其纳入我们的Android构建。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，八个国家的临床医生使用了QTUG评估了超过20,000名患者。我们继续改进参考数据集，因为新结果进来。我们还在开发一个Matlab算法，使个人能够使用他们的手机评估自己自己的落下风险。新算法从手机加速度计和陀螺仪中处理数据。它产生简化的秋季风险估计，不需要办公室访问，可以每天跟踪，以揭示秋季风险的增加。
