在65岁以上的成年人中，每年几乎有三分之一的人跌倒，使跌倒成为这个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)。
用MATLAB开发QTUG软件使我们能够交付QTUG的速度比完全用Java开发的速度快两到三倍®．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。
传统秋季风险方法与QTUG
评估坠落风险和机动性的两种最常见的方法是时间上走测试(TUG)和伯格平衡量表(BBS)。在TUG测试中，临床医生使用秒表测量患者从坐在椅子上站起来、走三米、转身、回到椅子上、再坐回去所需的时间。BBS测试比较复杂，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个子任务的能力从0到4进行评分。研究表明，TUG和BBS测试在确定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。
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。病人装有执行TUG测试动作的惯性传感器。
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(m / s ^ 2)
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TUG参数，我们可以使用患者的前瞻性或历史跌倒数据来训练一个监督分类器。这些特征包括平均步速和长度，站立和坐下所花费的时间，转身所需的步数，走路时单脚和双脚所花费的时间(图4)。
图4。图表显示了从典型TUG测试中获取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得到的扰动分析结果图。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衰弱和跌倒风险之间的联系。
我们还比较了QTUG与传统TUG测试和Berg平衡量表对特定患者群体的准确性。例如，最近一项针对帕金森病患者的研究表明，QTUG测试的准确率比TUG测试高出近30%。对于每个方法，我们都进行了检查灵敏度(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。
为了在触摸屏Android™设备上实现QTUG分类器，我们用Java对它们进行了编码。为了更新基于新的参考数据集的分类器系数，我们只需将它们从MATLAB导出到一个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，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，使个人能够使用手机评估自己的跌倒风险。新的算法处理来自手机加速度计和陀螺仪的数据。它产生了一个简化的跌倒风险估计，不需要去办公室，可以每天跟踪，以揭示跌倒风险的增加。
