每年，65岁以上的成年人中几乎有三分之一的人跌倒，这使得跌倒成为该年龄组致命和非致命伤害的主要原因。仅在美国，老年人跌倒伤害的年医疗成本估计就达500亿美元[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kineesis Health Technologies的工程团队开发了一种客观、定量的方法来筛查跌倒风险、虚弱和运动障碍，比传统方法的准确率高出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。MATLAB中开发的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所示。Kinesis QTUG系统与临床软件(左)和传感器(右)。
使用MATLAB开发QTUG软件使我们能够以比完全使用Java开发快两到三倍的速度交付QTUG®．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。
传统坠落风险方法与QTUG
评估跌倒风险和机动性最常用的两种方法是定时上下（拖船）测试和伯格平衡量表（BBS）。在拖拽测试中，临床医生使用秒表测量患者从坐在椅子上站立、走三米、转身、回到椅子上然后坐下所需的时间。BBS测试更为复杂，要求患者完成一系列与平衡相关的任务；临床医生评估患者完成ea的能力ch子任务的评分范围为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。
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。配备惯性传感器的患者执行拖船测试动作。
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/秒平方）。
特征提取与分类器训练
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变化的曲线，并检测到与患者行走时的中间摆动、脚跟着地和脚趾着地点相对应的峰值。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)。
图3。在TUG测试中显示峰值角速度的图。
我们确定了70多个定量牵引参数，我们可以使用患者的预期或历史跌倒数据来训练监督分类器。这些特征包括平均步速和长度、站立和坐下所需的时间、转弯所需的步数以及行走时单脚和双脚所需的时间（图4）。
图4。图表显示从典型拖船试验期间采集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。直方图和散点图显示虚弱和跌倒风险之间的联系。
我们还比较了QTUG与传统拖拽测试和特定患者组的Berg平衡量表的准确性。例如，最近一项针对帕金森病患者的研究表明，QTUG比TUG测试准确率高出近30%。对于每种方法，我们都检查了灵敏度(正确识别的跌落者的百分比)特异性(正确识别的未跌落者的百分比)。然后我们绘制所有方法的ROC曲线，明确显示曲线下面积最大的QTUG。
在触摸屏Android上实现QTUG分类器™ 我们用Java对它们进行了重新编码。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，并进行处理数据与分类器模型一起显示，并显示跌倒风险和虚弱评分，以及显示患者结果与同行结果比较的参考。
迄今为止，八个国家的临床医生已经使用QTUG评估了20000多名患者。随着新结果的出现，我们继续改进参考数据集。我们还正在开发一种MATLAB算法，使个人能够使用手机评估自己的跌倒风险。新算法处理来自手机屏幕的数据它产生了一个简化的坠落风险估计，不需要去办公室，并且可以每天跟踪以显示坠落风险的增加。
