评估具有惯性传感器和机器学习的老年人跌落的风险

Kinesis Health Technologies博士Barry Greene博士


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]。

评估患者的坠落风险并在确定风险时采取适当的行动对减少患有患有患有患有患有患有的伤害。然而,传统上用于评估跌倒风险的许多方法取决于主观评估或需要专门的临床专业知识。

我们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、虚弱和活动障碍,比传统方法的准确率高15%至27%。我们的QTUG™(Quantitative Timed Up and Go)系统(图1)使用了放置在患者腿部的无线惯性传感器的数据。用MATLAB开发的信号处理算法和基于机器学习的分类器®基于从传感器收集的数据和患者对调查问卷的数据计算秋季风险估计(FRE)和脆弱指数(FI)对共同的秋季危险因素。

图1所示。kineesis 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与市场带来市场所需的时间,并通过FDA,Health Canada和EU注册为I类医疗设备。

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提供了对这些方法的更详细,客观,准确的替代品。在QTUG测试中,患者配有两个无线惯性传感器,每个腿上一个在膝盖下方。每个传感器包括加速度计和陀螺仪。然后,患者执行站立,行走,转动和返回椅子的标准拖轮试验运动,因为传感器数据通过蓝牙传输到QTUG软件®(图2)。

图2.患者配有惯性传感器,执行拖船试验。

过滤和校准加速度计和陀螺仪信号

每个腿上佩戴的传感器单元包含三轴加速度计和三轴陀螺仪。每个加速度计产生三个信号,反映沿X,Y和Z轴的移动。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。要删除此数据中的高频噪声,我们使用我们在信号处理工具箱™中使用过滤器设计器设计的数字过滤器。在初始开发期间,我们评估了Chebyshev和Butterworth滤波器,发现一个零阶段,二阶Butterworth滤波器,最佳工作20 Hz频率。

在设计过滤器时,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从传感器信号中移除偏置并且用于跨越传感器获取一致的信号数据至关重要。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,例如M / s2(每秒平方米)。

提取功能和培训分类器

我们在MATLAB中探索了过滤后的信号数据,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曲线,并检测到患者走路时的摇摆中、脚跟撞击和脚尖触点对应的峰值。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。图显示峰值角速度期间拖船测试。

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。

我们使用统计信息和机器学习工具箱™中的交叉验证和顺序特征选择函数,以选择具有最高预测值的功能子集,并验证我们在MATLAB中实现的正则化判别分类器模型。我们培训了一个单独的逻辑回归分类器,来自患者问卷的数据,包括临床风险因素,如性别,身高,体重,年龄,视觉障碍和多酚省(正在采取的处方药物数量)。我们通过对基于传感器的模型和基于问卷的模型的结果执行加权平均值来获得总体落下风险估计(图5)。我们使用类似的方法来生成患者的体力水平的统计估计。

图5.从血液跌倒风险评估模型获得的扰动分析结果。扰动分析用于评估分类器的性能并确定输出(风险估计)的方式如何改变为特征值。

验证结果并部署到生产硬件

我们培训了在成千上万名患者收集的临床试验数据上的模型,并评估了组合分类器产生的结果。作为该分析的一部分,我们生成了脆弱的直方图和散射地块,落下风险确认了我们的假设,即两项措施密切相关(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,我们检查了灵敏度(正确识别下降者的百分比)和特异性(正确识别的未下降者的百分比)。然后我们绘制了所有方法的ROC曲线,清楚地显示出曲线下面积最大的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。

发布2019年

查看相关行业的文章