老年人跌倒的风险评估与惯性传感器和机器学习

几乎三分之一的65岁以上成人每年下降,使下降的主要原因在这个年龄段致命和非致命的伤害。仅在美国,每年估计医疗成本从老年人跌倒受伤的500亿美元[1]。

评估病人的下跌风险和采取适当行动当风险识别是至关重要的减少与跌倒有关的伤害。传统上使用的许多方法来评估风险下降,然而,依靠主观评价或需要专门的临床经验。

我们的工程团队运动卫生技术开发了一个客观、定量的方法筛查风险下降,虚弱,和流动障碍比传统方法更精确的15%至27%。我们QTUG™(定量定时去)系统(图1)使用无线惯性传感器的数据放在病人的腿。信号处理算法和MATLAB开发的基于机器学习的分类器^®计算下跌风险估计(FRE)和脆弱指数(FI)基于收集的数据从传感器和病人应对常见的下跌风险因素的问卷调查。

发展与MATLAB的QTUG软件使我们交付QTUG两到三倍的速度比可能通过开发完全用Java^®。这使我们缩短所需的时间给市场带来QTUG并将其注册为一个类我和美国食品药品监督管理局医疗器械,健康加拿大和欧盟。

传统的方法与QTUG下降风险

两种最常见的方法来评估风险和流动性下降的时间,(拉)测试和伯格资产规模(BBS)。在拖船测试,临床医生使用秒表测量需要多长时间病人坐在椅子上站,走3米,转身,回到椅子上,坐回去。BBS测试更多的参与,要求病人完成一系列balance-related任务;临床医生病人的能力完成每个子任务规模从0到4。研究表明,拖船和BBS测试大约50 - 60%的准确识别患者的风险下降。此外,论坛测试要求临床医生做出主观判断病人如何完成每个任务。

运动QTUG提供了一个更详细、客观和准确的选择这些方法。QTUG测试,一个病人配备了两个无线惯性传感器,一个在每个腿膝盖以下。每个传感器包括一个加速度计和陀螺仪。病人然后执行标准的拖船测试站的运动,散步,转身,回到椅子上传感器数据通过蓝牙QTUG软件传播^®(图2)。

过滤和校准加速度计和陀螺仪信号

每条腿穿的传感器单元包含一个三轴加速度计和三轴陀螺仪。加速度计产生三个信号,反映运动沿着x, y和z轴。每个陀螺仪也生产三个信号,反映在三维空间中旋转运动。传感器数据的所有12个信号采样率102.4赫兹。去除高频噪声数据,我们使用数字滤波器设计使用信号处理工具箱中的过滤器设计师™。在初始开发中,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 Hz转角频率效果最好。

而设计的过滤器,我们也开发MATLAB算法校准传感器。这些攷虑校准算法主要用于消除偏见的传感器信号,获得一致的信号数据传感器。校准算法还负责将原始的32位传感器产生的信号值成有意义的单位,如m / s²(米每秒的平方)。

提取特征和训练分类器

我们探讨了MATLAB中的过滤信号数据识别特性和属性相关的脆弱和下跌的风险。例如,我们绘制角速度随时间和峰值检测到与病人的mid-swing,走路时脚跟罢工,脚趾头点。这些特征点让我们区分步行和将在执行一个拖轮测试(图3)。

我们确定了70多个定量拖轮参数,我们可以使用与患者的潜在或历史数据训练监督分类器。这些特性包括平均步幅速度和长度、时间站,坐,把所需的步骤,时间一只脚,两只脚行走(图4)。

我们使用交叉验证和序列特征选择函数的统计和机器学习工具箱™选择特征子集的最高的预测价值和验证一个正规化的判别分类器模型,在MATLAB中实现。我们训练一个单独的逻辑回归分类器对数据从病人的调查问卷,其中包括临床危险因素如性别、身高、体重、年龄、视力障碍,复方用药(处方药被数量)。我们获得一个整体下跌风险估计的结果进行加权平均,传感器模型和摄取相关模型(图5)。我们使用了类似的方法来生成一个统计估计病人的弱点的水平。

验证结果和部署到生产硬件

我们训练我们的模型对临床试验数据收集成千上万的病人,并评估结果产生的组合分类器。作为分析的一部分,我们生成的柱状图和散点图的脆弱和下跌风险,证实我们的假设,这两个措施密切相关(图6)。

相比我们也与传统拖轮QTUG测试的准确性和伯格平衡规模为特定患者组。最近的一项研究,专注于帕金森氏症患者,例如,显示QTUG几乎是30%比拖轮测试更准确。为每个方法,我们检查灵敏度(跌幅确定正确的百分比)特异性(non-fallers正确确定的百分比)。然后绘制ROC曲线的所有方法,清晰地显示QTUG曲线下的面积最大。

Android™实现QTUG分类器对触摸屏设备,我们记录他们在Java中。更新分类器系数基于一个新的引用数据集,我们只是把它们导出从MATLAB Android资源文件,然后纳入我们的Android构建。完整的QTUG Android应用指导临床医生通过测试,接收传感器数据通过蓝牙传输,处理数据的分类器模型,并显示下跌风险和弱点分数一起参考,显示出病人的结果与他或她的同龄人的结果。

迄今为止,临床医生在8个国家使用QTUG评估超过20000病人。我们继续改善参考数据设置为新的结果。我们也在开发一个MATLAB算法,将使个人评估跌倒风险自己使用手机。新算法流程来自手机的加速度计和陀螺仪的数据。它产生一个简化的下跌风险估计,不需要办公室访问,可以追踪每日增加跌倒的风险。