CN106407498A - 一种摔倒风险模型的建立方法 - Google Patents
一种摔倒风险模型的建立方法 Download PDFInfo
- Publication number
- CN106407498A CN106407498A CN201610631707.1A CN201610631707A CN106407498A CN 106407498 A CN106407498 A CN 106407498A CN 201610631707 A CN201610631707 A CN 201610631707A CN 106407498 A CN106407498 A CN 106407498A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- multiple linear
- linear regression
- falls
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种摔倒风险模型的建立方法,步骤1:选取样本,录入或采集问卷数据与体适能数据,获得的数据更全面,且对于每个样本进行年龄分组,提高跌倒风险分析针对性;步骤2:采集的样本数据中,根据跌倒受伤的历史数据进行风险等级定义;步骤3:采用LASSO算法,建立关于骨密度、平衡能力及其他因素与摔倒风险的多元线性回归模型,计算摔倒风险指数;步骤4:调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型;步骤5:确定最优λ值以及对应的最佳多元线性回归模型,得出对应的多元线性回归模型以及摔倒风险指数,该模型作为摔倒风险评估模型,模型更完善,更适用于不同组别的摔倒风险评估。
Description
技术领域
本发明涉及摔倒风险的评估模型领域,具体为一种摔倒风险模型的建立方法。
背景技术
摔倒风险模型是近年来在学术界与业界十分热门的研究课题,其主要方法是收集数据并以一定的数理分析方法总结出一套数学或者逻辑模型以预测摔倒概率。该课题研究在老年人以及病人摔倒预防方面有着十分广阔的前景。
现有的摔倒模型,要么主要应用于机械自动化与机器人产业,其主要目的并不是也不适合用来预测具有大数据特性的人口统计学与体适能数据;要么只是通过实验设计与简单问卷调查,其形式过于简单和主观,没有充分运用现有的人口大数据。
发明内容
本发明的目的是提供一种摔倒风险模型的建立方法,该模型结合了体适能设备测试的体适能数据以及人口数据,模型更完善,更适用于不同组别的摔倒风险评估,为了达到上述目的,本发明所采用的技术方案为:其步骤为:
步骤1:选取样本,录入或采集问卷数据与体适能数据;
步骤2:采集的样本数据中,根据跌倒受伤的历史数据进行风险等级定义;
步骤3:采用LASSO算法,建立关于骨密度、平衡能力及其他因素与摔倒风险的多元线性回归模型,
摔倒风险指数公式为:
摔倒风险指数=α0 +α1*骨密度+α2*平衡能力指数+α3*骨密度2+
α4*平衡能力指数2+α5*平衡能力指数*骨密度+β1*因素i+ ... +βn*因素n,
同时,|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|< λ,其中,αi 是是多元线性回归模型中骨密度、平衡能力指数以及他们的多项式与交叉项的系数,βn是多元线性回归模型中除了骨密度与平衡能力指数以外的相关建模因素,或者叫变量、列的系数,λ表示多元线性回归模型的复杂程度;
步骤4:调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型;
步骤5:确定最优λ值以及对应的最佳多元线性回归模型,得出对应的多元线性回归模型以及摔倒风险指数。
优选的,步骤1中,采集的问卷数据包括有:个人生理生化因素、生活方式
数据、健康史数据、心理因素以及与个人相关的环境因素;对于体适能数据的采集来源于体适能设备对样本单元的测试数据。
优选的,进行体适能测试的样本单位一般为年龄较大、有过摔倒经历或几乎
摔倒经历,体适能测试的类型包括有:骨密度测试、平衡能力测试。
优选的,步骤2中,根据跌倒受伤的历史数据进行风险等级定义时,可分为
五个等级:高风险、中高风险、中风险、中低风险以及低风险,对于风险等级定义的依据来源、摔倒指数之间的关系如表1所示:
表1:
其中,摔倒指数的定义可选用其他区间的数字,也可选用字母。
优选的,步骤3中,由于收集到的数量要按年龄分组,单样本量偏少,为最大程度保留关键信息,采用把单样本的数据切分数据为50%的训练数据集与50%测试数据集。
优选的,步骤4中,调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型,其步骤为:
(1)对λ初始化,定义λ的初始值为0;
(2)给λ加上一个增量 θ,该数值决定了多元线性回归模型的学习速度,λ = λ + θ;
(3)在|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|<λ的条件下使用训练数据集拟合多元线性回归模型,估计出所有参数βi的估计值βihat;
(4)使用这一轮的参数估计值βihat分别计算训练数据集与测试数据集的预测值;
(5)使用训练数据集与测试数据集的预测值与真实的摔倒风险指数作对比,并计算出多元线性回归模型评判标准均方根误差RMSE(Root Mean Squared Errors)
RMSE =;
(6)重复(2)直至λ达到一个比较大的数值,或者直到多元线性回归模型表现出明显的过渡适应性。
本发明与现有技术相比的有益效果:
该模型对样本进行数据采集时,不仅采集样本单位的生理、心理、生活方式以及健康史数据,还通过体适能设备获取体适能数据,获得的数据更全面,且对于每个样本进行年龄分组,提高跌倒风险分析针对性,利用LASSO算法,结合体适能数据来计算摔倒风险指数建立多元线性回归模型,通过参数估值选择最优多元线性回归模型,作为摔倒风险评估模型,模型更完善,更适用于不同组别的摔倒风险评估。
附图说明
图1为本发明关于建立跌倒风险评估模型的流程图;
图2为标准均方根误差与λ关系的一种实施案例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合一次具体的数据做进一步的详细说明。在此,本发明的示意性事例用于解释本发明,但并不作为对本发明的限定。
本发明建立一种跌到风险评估模型,给使用者做出科学的指导以尽可能地降低摔倒风险,对于模型建立主要进行由图所示的步骤:其步骤为:
步骤1:选取样本,录入或采集问卷数据与体适能数据;
步骤2:采集的样本数据中,根据跌倒受伤的历史数据进行风险等级定义;
步骤3:采用LASSO算法,建立关于骨密度、平衡能力及其他因素与摔倒风险的多元线性回归模型,
摔倒风险指数公式为:
摔倒风险指数=α0 +α1*骨密度+α2*平衡能力指数+α3*骨密度2+
α4*平衡能力指数2+α5*平衡能力指数*骨密度+β1*因素i+ ... +βn*因素n,
同时,|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|< λ其中,αi 是是多元线性回归模型中骨密度、平衡能力指数以及他们的多项式与交叉项的系数,是我们需要利用收集到的数据来估计的值;βn是多元线性回归模型中除了骨密度与平衡能力指数以外的相关建模因素,或者叫变量、列的系数,也是我们需要利用数据来估计的值;λ表示多元线性回归模型的复杂程度,λ值越小多元线性回归模型越简单;λ值越大多元线性回归模型越趋向于复杂,如果λ越小,多元线性回归模型的预测能力可能过小;如果λ过大,多元线性回归模型可能出现过度拟合数据的情况;
步骤4:调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型;
步骤5:确定最优λ值以及对应的最佳多元线性回归模型,得出对应的多元线性回归模型以及摔倒风险指数。
优选的,步骤1中,采集的问卷数据包括有:个人生理生化因素、生活方式
数据、健康史数据、心理因素以及与个人相关的环境因素;对于体适能数据的采集来源于体适能设备对样本单元的测试数据。
优选的,所述个人生理生化因素包括有:体重、身高、血压等数据;所述生活方式数据包括有:吸烟、膳食、运动等方面的数据;所述健康史数据包括有:个人健康史以及家庭遗传健康史;所述心理因素包括有:精神压力、个人情绪等方面的数据;
优选的,进行体适能测试的样本单位一般为年龄较大、有过摔倒经历或几乎
摔倒经历,体适能测试的类型包括有:骨密度测试、平衡能力测试。
优选的,步骤2中,根据跌倒受伤的历史数据进行风险等级定义时,可分为
五个等级:高风险、中高风险、中风险、中低风险以及低风险,对于风险等级定义的依据来源、摔倒指数之间的关系如表1所示:
表1:
风险等级 | 定义依据 | 摔倒指数 |
高风险 | 摔倒且骨折 | 4 |
中高风险 | 摔倒受伤但并未骨折 | 3 |
中风险 | 几乎跌倒或跌倒轻微受伤 | 2 |
中低风险 | 几乎跌倒但是完全没有受伤 | 1 |
低风险 | 完全没有跌倒或跌倒倾向 | 0 |
其中,摔倒指数的定义可选用其他区间的数字,也可选用字母。
优选的,步骤3中,由于收集到的数量要按年龄分组,单样本量偏少,为最
大程度保留关键信息,采用把单样本的数据切分数据为50%的训练数据集与50%测试数据集。
优选的,步骤4中,调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型,其
步骤为:(1)对λ初始化,定义λ的初始值为0;(2)给λ加上一个增量 θ,该数值决定了多元线性回归模型的学习速度,λ = λ + θ;
(3)在|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|<λ的条件下使用训练数据集拟合多元线性回归模型,估计出所有参数βi的估计值βihat;
(4)使用这一轮的参数估计值βihat分别计算训练数据集与测试数据集的预测值;
(5)使用训练数据集与测试数据集的预测值与真实的摔倒风险指数作对比,并计算出多元线性回归模型评判标准均方根误差RMSE(Root Mean Squared Errors)
RMSE =;
(6)重复(2)直至λ达到一个比较大的数值,或者直到多元线性回归模型表现出明显的过渡适应性。
Claims (6)
1.一种摔倒风险模型的建立方法,其特征在于:其步骤为:
步骤1:选取样本,录入或采集问卷数据与体适能数据;
步骤2:采集的样本数据中,根据跌倒受伤的历史数据进行风险等级定义;
步骤3:采用LASSO算法,建立关于骨密度、平衡能力及其他因素与摔倒风险的多元线性回归模型,
摔倒风险指数公式为:
摔倒风险指数=α0 +α1*骨密度+α2*平衡能力指数+α3*骨密度2+
α4*平衡能力指数2+α5*平衡能力指数*骨密度+β1*因素i+ ... +βn*因素n,
同时,|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|< λ,其中,αi 是是多元线性回归模型中骨密度、平衡能力指数以及他们的多项式与交叉项的系数,βn是多元线性回归模型中除了骨密度与平衡能力指数以外的相关建模因素,或者叫变量、列的系数,λ表示多元线性回归模型的复杂程度;
步骤4:调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型;
步骤5:确定最优λ值以及对应的最佳多元线性回归模型,得出对应的多元线性回归模型以及摔倒风险指数。
2.根据权利要求1所述的一种摔倒风险模型的建立方法,其特征在于:步骤1中,采集的问卷数据包括有:个人生理生化因素、生活方式数据、健康史数据、心理因素以及与个人相关的环境因素;对于体适能数据的采集来源于体适能设备对样本单元的测试数据。
3.根据权利要求2所述的一种摔倒风险模型的建立方法,其特征在于:进行体适能测试的样本单位一般为年龄较大、有过摔倒经历或几乎摔倒经历,体适能测试的类型包括有:骨密度测试、平衡能力测试。
4.根据权利要求1所述的一种摔倒风险模型的建立方法,其特征在于:步骤2中,根据跌倒受伤的历史数据进行风险等级定义时,可分为五个等级:高风险、中高风险、中风险、中低风险以及低风险,对于风险等级定义的依据来源、摔倒指数之间的关系如表1所示:
其中,摔倒指数的定义可选用其他区间的数字,也可选用字母。
5.根据权利要求4所述的一种摔倒风险模型的建立方法,其特征在于:
步骤3中,由于收集到的数量要按年龄分组,单样本量偏少,为最大程度保留关键信息,采用把单样本的数据切分数据为50%的训练数据集与50%测试数据集。
6.根据权利要求5所述的一种摔倒风险模型的建立方法,其特征在于:
步骤4中,调节λ的值,在λ的限制下得到不同复杂度的多元线性回归模型,其步骤为:
(1)对λ初始化,定义λ的初始值为0;
(2)给λ加上一个增量 θ,该数值决定了多元线性回归模型的学习速度,λ = λ + θ;
(3)在|α0|+|α1|+...+|αn| +|β0|+|β1|+ ... +|βn|<λ的条件下使用训练数据集拟合多元线性回归模型,估计出所有参数βi的估计值βihat;
(4)使用这一轮的参数估计值βihat分别计算训练数据集与测试数据集的预测值;
(5)使用训练数据集与测试数据集的预测值与真实的摔倒风险指数作对比,并计算出多元线性回归模型评判标准均方根误差RMSE(Root Mean Squared Errors)
RMSE =;
(6)重复(2)直至λ达到一个比较大的数值,或者直到多元线性回归模型表现出明显的过渡适应性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610631707.1A CN106407498A (zh) | 2016-08-03 | 2016-08-03 | 一种摔倒风险模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610631707.1A CN106407498A (zh) | 2016-08-03 | 2016-08-03 | 一种摔倒风险模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106407498A true CN106407498A (zh) | 2017-02-15 |
Family
ID=58004351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610631707.1A Pending CN106407498A (zh) | 2016-08-03 | 2016-08-03 | 一种摔倒风险模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
CN110367991A (zh) * | 2019-06-27 | 2019-10-25 | 东南大学 | 一种老年人跌倒风险评估方法 |
CN110969370A (zh) * | 2020-01-14 | 2020-04-07 | 深圳市建筑科学研究院股份有限公司 | 建筑结构构件的质量风险分析方法 |
CN112035617A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 基于数据比对的系统测试方法、装置、计算机设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325498A1 (en) * | 2012-06-05 | 2013-12-05 | United States Of America, As Represented By The Secretary Of The Army | Health Outcome Prediction and Management System and Method |
CN103577836A (zh) * | 2013-09-30 | 2014-02-12 | 吴家宝 | 人体摔倒检测模型建立方法及模型系统 |
CN105512478A (zh) * | 2015-12-03 | 2016-04-20 | 浪潮电子信息产业股份有限公司 | 基于云计算技术的老年人险情报警方法 |
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
-
2016
- 2016-08-03 CN CN201610631707.1A patent/CN106407498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325498A1 (en) * | 2012-06-05 | 2013-12-05 | United States Of America, As Represented By The Secretary Of The Army | Health Outcome Prediction and Management System and Method |
CN103577836A (zh) * | 2013-09-30 | 2014-02-12 | 吴家宝 | 人体摔倒检测模型建立方法及模型系统 |
CN105512478A (zh) * | 2015-12-03 | 2016-04-20 | 浪潮电子信息产业股份有限公司 | 基于云计算技术的老年人险情报警方法 |
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
Non-Patent Citations (2)
Title |
---|
屈莎: "预测中老年人跌倒敏感指标和风险评价等级的研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
逯宇铎 等: "基于Lasso-logistic模型的供应链金融信用风险实证研究", 《风险管理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
CN110367991A (zh) * | 2019-06-27 | 2019-10-25 | 东南大学 | 一种老年人跌倒风险评估方法 |
CN110367991B (zh) * | 2019-06-27 | 2022-03-08 | 东南大学 | 一种老年人跌倒风险评估方法 |
CN110969370A (zh) * | 2020-01-14 | 2020-04-07 | 深圳市建筑科学研究院股份有限公司 | 建筑结构构件的质量风险分析方法 |
CN110969370B (zh) * | 2020-01-14 | 2023-05-02 | 深圳市建筑科学研究院股份有限公司 | 建筑结构构件的质量风险分析方法 |
CN112035617A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 基于数据比对的系统测试方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407498A (zh) | 一种摔倒风险模型的建立方法 | |
CN104318351B (zh) | 一种中医健康管理系统和方法 | |
CN105167742B (zh) | 一种胎儿体重自适应估算方法及系统 | |
CN116705337A (zh) | 一种健康数据采集及智能分析方法 | |
CN108135548A (zh) | 用于监测压力状态的方法和系统 | |
CN106355033A (zh) | 一种生活风险评估系统 | |
CN108366763A (zh) | 用于评估精神状态的方法和系统 | |
CN106682412A (zh) | 一种基于医疗体检数据的糖尿病预测方法 | |
CN112116145A (zh) | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 | |
CN107194138A (zh) | 一种基于体检数据建模的空腹血糖预测方法 | |
CN114758748B (zh) | 一种植发环境的智能化分析处理方法及系统 | |
CN110706822B (zh) | 基于逻辑回归模型和决策树模型的健康管理方法 | |
CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN109300546A (zh) | 一种基于大数据和人工智能的个体亚健康状态评估方法 | |
CN107913075B (zh) | 一种基于多参数的精神压力评估装置及其评估方法 | |
CN109583272B (zh) | 一种能够获取人体生活状态的足迹系统 | |
CN117116482A (zh) | 基于多维度血糖趋势分析预警血糖疾病风险分析系统 | |
Su et al. | Assessment of bipolar disorder using heterogeneous data of smartphone-based digital phenotyping | |
CN105138835A (zh) | 基于生理信息熵的人体体成分预测方法 | |
CN106295238A (zh) | 一种基于增量式神经网络模型的高血压肾病预测方法和预测系统 | |
CN110010246A (zh) | 一种基于神经网络和置信区间的疾病智能诊断技术 | |
CN113851221A (zh) | 基于时序体测数据的动态健康评价方法及系统 | |
CN109192315B (zh) | 基于加权核回归和封装式偏差搜索的综合年龄检测系统 | |
CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170215 |