CN110313036A - 用于量化平衡的多参数方法 - Google Patents
用于量化平衡的多参数方法 Download PDFInfo
- Publication number
- CN110313036A CN110313036A CN201780081144.6A CN201780081144A CN110313036A CN 110313036 A CN110313036 A CN 110313036A CN 201780081144 A CN201780081144 A CN 201780081144A CN 110313036 A CN110313036 A CN 110313036A
- Authority
- CN
- China
- Prior art keywords
- value
- individual
- pressure
- center
- balance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 156
- 230000005484 gravity Effects 0.000 claims abstract description 153
- 230000033001 locomotion Effects 0.000 claims abstract description 135
- 238000013139 quantization Methods 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000006073 displacement reaction Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000002611 posturography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241000153246 Anteros Species 0.000 description 1
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000037063 Thinness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001977 ataxic effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009023 proprioceptive sensation Effects 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 206010048828 underweight Diseases 0.000 description 1
- 239000002550 vasoactive agent Substances 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
- A61B5/4023—Evaluating sense of balance
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明涉及一种量化个体的平衡以获得代表所述个体的平衡的值的方法,所述方法由包括连接到存储装置的至少一个数据处理模块的设备实现,并且所述方法包括:a)在存储装置上记录从包括压力和/或力传感器的平台获得的个体的至少一个重心移动(statokinesigram)的步骤,b)由数据处理模块从记录在存储装置上的个体的(多个)重心移动开始提取压力中心的至少一个位置轨迹参数的值、和压力中心的至少一个稳定性轨迹参数的值的步骤,c)由数据处理模块从在步骤b)中提取的轨迹参数的值确定多个量词的值的步骤,d)由数据处理模块比较所述多个量词的值与从参考重心移动获得的相同量词的值的步骤,以及e)由数据处理模块确定表示在比较结束时个体的平衡的值的步骤。
Description
技术领域
本发明涉及个体的平衡的量化领域。更具体地,本发明涉及用于量化个体的平衡的多参数方法、适于实现该方法的设备和集成所述设备的系统。特别地,本发明允许跟踪这种平衡的演变,例如在康复过程的背景下、自我量化方案或老年人,尤其是为了以家庭支持方案警告跌倒的风险。
背景技术
自我量化(“量化的自我”)是越来越普遍的实践,并且它包括越来越多的参数。类似地,市场上允许量化与自我测量相关的不同功能(例如睡眠或步行)的设备正在成倍增加。
静态和动态平衡是我们日常运动的基本组成部分,并且缺乏平衡是跌倒的主要原因。另外,作为诸如涉及下肢的事故等人生意外伤害的结果,并且与精神障碍或脑血管意外等脑血管伤害的发生有关,可以改变(即减少)平衡。这种与运动、感觉和/或认知功能紊乱相关的姿势不稳定可能促使跌倒,这可能是致命的或导致严重的代谢失调。
根据世界卫生组织2012年的估计,全世界每年有近424,000人因跌倒而丧生,因此跌倒在世界范围内成为意外死亡原因的第二位。根据公共健康监督学会的统计,法国65岁以上人口每年有450,000人跌倒,这是老年人死亡的最常见原因,法国每年有4,000至4,500例病例。
因此,人们跌倒是主要的公共卫生问题,因为它的频率以及它的医疗和社会后果;尤其是老年人。例如,跌倒后综合症会导致跌倒恐惧症,并失去自信来执行日常行为并最终导致抢夺(grabatization)。因此,许多治疗旨在恢复个体的平衡,并且锻炼旨在维持它。
尽管存在这些挑战,但目前还没有用于量化个体的平衡的直观、可靠且廉价的方法或设备。
现在,医生通过用于视觉跟踪患者的方法来理解平衡,最常见的是通过标准化测试,例如闭目直立(Romberg)测试。后者可以帮助医生做出诊断并识别静态共济失调的可能原因。然而,这种跟踪允许有质量地而不是客观地量化个体的平衡。然而,量化方法可以增强客观性、解释的同质性,使得可以对这些测试进行比较(例如,随着时间的推移或在一组个体内进行跟踪),并通过视觉跟踪患者的方法识别不可察觉的行为。
今天,存在用于评估平衡的方法,其通常基于对从测力平台测量的压力中心的位移的研究。特别是,在20世纪80年代和90年代制定了标准化工作,建立了“标准85”,包括协议的定义,包括将个体放置在标准尺寸的舱室中,施加脚位置以确保在5Hz的采样频率下采集时间为51.2秒的参数的再现性(Gagey et al 1988-Etudes statistiques des mesuresfaites sur l’homme normalàl’aide de la plate-forme de stabilométrie cliniquenormalisée)。
在这种情况下,通常根据压力中心的位移数据确定的参数,通常在最小10Hz的频率下,允许考虑受试者维持他/她的直立平衡的能力,并且可以选自:
-位移的长度,
-重心移动绘图的表面对应于压力中心移动并通过计算置信椭圆的表面(基于高斯曲线)以mm2为单位测量的表面,该表面包含压力中心的支撑点的90%。
-长度对表面(LFS)对应于压力中心行进的距离与置信椭圆表面之间的比率,
-沿Y轴的速度方差(VFY),或
-振荡频率。
虽然姿势描记术(posturography)是评估站立位置的最合适的方法,但其在评估平衡障碍中的地位仍然存在争议。阻碍其使用的几个原因:获取成本、性能、检查的可重复性、敏感性、特异性、解释结果的困难(两个状况之间要比较的大量测量)。实际上,这些方法独立地关注压力中心的位移参数而不将它们组合。在没有专业人员和简单快速的方法的情况下,他们不允许获得代表个体的平衡的价值。
称为Wii配合平衡板(注册商标)的测力平台允许跟踪压力中心的位移,并且还提供用于尤其是基于压力中心的位移的测量来测量“Wii适合年龄”的功能。许多文章都专注于通过该测力平台评估平衡,尽管它允许基于惠斯通电桥传感器获得类似于利用测力平台获得的压力中心的位移数据(Clark et al,2010-Validity and reliability ofNintendo wii balance board for assessment of standing balance),通过这种类型的设备测量平衡并不是非常确定的(Goble et al 2014-Using the Wii Fit as a tool forbalance assessment and neurorehabilitation:the first half decade of“Wii-search”)。
这种性能缺乏或至多这种降低的性能可能与压力中心的位移的单因素评价以及随时间的采集频率的随机变化有关,这可能导致过度采集或采集不足。在使用多参数方法的极少数情况下,后者无法产生令人满意的结果,因为要研究的数据非常复杂且难以建模。因此,先前用于评估平衡的分析方法不能提供可以使用简单且廉价的设备容易地测量的独特且可靠的值。
特别是由在2015年12月14日和15日举行的Horizon Maths 2015会议上的口头报告确认了这个(URL:https://www.sciencesmaths-paris.fr/upload/Contenu/HorizonMaths/HM2015/hm2015-vayatis.pdf)。在这次口头报告中,作为科学反思和问题的共享,发言者提到了现有技术中使用的技术,并提到了4到5个参考指标。他指出不能通过姿势中的五个参考特征来概括的综合指标的需求,并且提到存在1,000个描述符,例如与机械、几何和频率方面相关联。
因此,需要一种平衡量化设备,其可以由想要以低成本监测其平衡的任何人常规使用,但也可由公共当局或卫生人员使用。
发明内容
[技术问题]
本发明旨在克服现有技术的缺点。特别地,本发明旨在提供一种用于量化平衡的可靠方法,即用于建立代表个体的平衡状态的值,该方法快速、简单,并且不一定需要姿势学领域中的专家的介入。应该注意的是,该方法不是要取代全科医生或专科医生,也不是进行诊断。
本发明还旨在提供一种可以集成到完整平衡量化系统中的平衡量化设备。
[本发明的简要描述]
为此,本发明涉及一种用于量化个体的平衡以便获得表示所述个体的平衡的值的方法,所述方法由包括连接到存储装置并且可能分类模块的至少一个数据处理模块的设备实现,所述方法包括:
a)在存储装置上记录从包括压力和/或力传感器的平台获得的个体的至少一个重心移动以及任选地所述个体的身体质量指数(BMI)数据的步骤,
b)由数据处理模块和从记录在存储装置上的个体的一个或多个重心移动提取压力中心的至少一个位置轨迹参数的值、和压力中心的至少一个稳定性轨迹参数的值的步骤,
c)由数据处理模块根据步骤b)中提取的轨迹参数的值确定多个量词的值的步骤,
d)由数据处理模块比较所述多个量词的值与从参考重心移动获得的相同量词的值的步骤,以及
e)由数据处理模块确定表示在比较结束时个体的平衡的所述值的步骤。
该方法的实现包括确定几个量词,然后在比较和确定代表平衡的值的步骤中联合处理这些量词。与现有技术不同,根据本发明的方法包括考虑和组合与压力中心的位置和稳定性相关联的轨迹参数,以便获得代表平衡的值。
根据该方法的其他可选特征:
-实施该方法的所述设备还包括分类模块,并且记录步骤还包括记录所述个体的身体质量指数(BMI)数据,然后是由所述分类模块根据记录的BMI数据对BMI类别中的个体的所述一个或多个重心移动进行分类的步骤,所述分类步骤优选在记录步骤a)之后和提取步骤b)之前进行。另外,在比较至少两个量词的所述值的步骤期间,将至少两个量词的所述值和与在分类步骤期间确定的BMI类别相同的BMI类别中分类的参考重心移动获得的相同量词的值进行比较。考虑到这一点并将BMI和量词结合起来,以便获得代表平衡的值允许改进平衡量化的结果。
-在分类步骤中确定的BMI类别是从至少三个BMI类别中选择的。定义至少三个BMI类别允许改善代表通过根据本发明的方法获得的平衡的值的相关性。BMI类别是:BMI低于21,BMI在21到30之间,BMI大于30。
-步骤b)还包括提取压力中心的至少一个动态轨迹参数的值。考虑到压力中心的动态轨迹参数的值允许改善所获得的代表值的相关性,如通过ROC(接收器操作特性)曲线的曲线所示,更具体地,曲线下面积(AUC)数据。
-压力中心的至少一个位置轨迹参数选自:压力中心沿X轴的位置、压力中心沿Y轴的位置、和极坐标中的半径。这些压力中心的位置轨迹参数由发明人从多个位置轨迹参数中选择,因为它们与平衡量化特别相关。优选地,压力中心的至少一个位置轨迹参数是极坐标中的半径。
-压力中心的至少一个稳定性轨迹参数选自:径向平衡、时间平衡和弹道间隔。发明人从多个稳定性轨迹参数中选择压力中心的这些稳定性轨迹参数,因为它们与平衡量化特别相关。
-压力中心的至少一个动态轨迹参数选自:压力中心的位移的速度、压力中心的位移的加速度、功率和偏差。发明人从多个动态轨迹参数中选择压力中心的这些动态轨迹参数,因为它们与平衡量化特别相关。
-步骤c)中确定的量词中的至少一个选自:所述轨迹参数的平均值、中值、方差值和极值。或者,在步骤c)中确定的量词中的至少一个选自:所述轨迹参数的平均值、中值、方差值、均方值和极值。
-步骤b)由在闭目直立测试期间产生的两种重心移动进行。闭目直立测试是许多姿势学专家使用数十年的测试,并且它允许在本发明的上下文中获得代表平衡的值,特别是通过比较闭眼或睁眼获得的重心移动的值。
-步骤c)中确定的量词中的至少一个是所述轨迹参数的极值,所述极值对应于轨迹参数值的大于或等于5的百分数和小于或等于15的百分数之间的百分数,或者大于或等于85的百分数且小于或等于95的百分数之间的百分数。通常在用于分析平衡的当前方法中找不到的极值的分析允许产生在本发明的上下文中特别相关的结果。
-步骤d)和e)通过在先前基于从参考重心移动获得的相同量词的值校准的评分算法中实施步骤c)中确定的量词的值来执行,所述参考重心移动优选地分类在与在步骤a)中确定的BMI类别相同的BMI类别中。使用集成步骤d)和e)的评分算法尤其允许缩短方法的实现时间并提高方法的效率。
-通过实施监督学习统计方法,优选排序森林(排序FOREST)或随机森林(RANDOMFOREST)方法,获得预先校准的评分算法。发明人发现,在平衡量化的背景下,排序森林或随机森林方法非常有效。优选地,监督学习统计方法与套袋(Bagging)步骤结合使用。因此,可以通过实施包括实施套袋步骤的监督学习统计方法,来获得预先校准的评分算法。
-该方法包括,在步骤c)中,确定至少五个量词的值。现有技术方法通常基于从重心移动提取的值的一对一比较,而在本发明的上下文中,组合至少五个量词允许更好的性能。
本发明还涉及一种用于量化个体的平衡的设备,所述设备包括:
-能够接收包括所述个体的至少一个重心移动并且有利地所述个体的身体质量指数数据的数据的通信模块,
-能够记录重心移动(并且当应用时,BMI数据)的存储装置,以及
-能够连接到存储装置的至少一个数据处理模块,
所述数据处理模块配置为:
ο从通信模块发送的所述个体的重心移动中提取压力中心的至少一个位置轨迹参数的值、和压力中心的至少一个稳定性轨迹参数的值,
ο根据提取的轨迹参数的值确定几个量词,
ο将所述量词的值与从参考重心移动获得的相同量词的值进行比较,和
ο根据所述比较确定代表个体的平衡的值。
有利地,其进一步包括分类模块,其被配置为根据所述个体的BMI分类身体质量指数(BMI)类别中的个体的重心移动,并将所述量词的值与从在与个体的重心移动的BMI类别相同的BMI类别中分类的参考重心移动获得的相同量词的值进行比较。因此,本发明还涉及一种用于量化个体的平衡的设备,其包括分类模块,并且其中:
-通信模块还能够从所述个体接收BMI数据,
-存储装置还能够记录BMI数据,
-分类模块被配置为根据所述个体的BMI数据对BMI类别中的个体的重心移动进行分类,并且
-数据处理模块还被配置为将所述量词的值与从分类在与个体的重心移动的BMI类别相同的BMI类别中的参考重心移动获得的相同量词的值进行比较。
本发明还涉及一种用于量化个体的平衡的系统,包括:
-平台,所述平台适于接纳个体并且包括压力和/或力传感器,所述压力和/或力传感器被配置为作为个体的脚在平台上施加的压力的函数、以第一频率产生原始数据,
-原始数据处理单元,被安排为从平台生成的原始数据中获取个体的至少一个重心移动,以及
-根据本发明的平衡量化设备,能够与处理单元通信。
根据系统的其他可选特征:
-该平台被配置为以大于或等于25Hz的频率测量其不同传感器的值。这允许增加计算的代表值的可靠性。
-该量化设备还包括重新采样模块,所述重新采样模块被配置为以第一频率处理原始数据或重心移动,以便生成以第二频率重新采样的重心移动,所述第二频率具有基本恒定频率。这允许增加计算的代表值的可靠性。
附图说明
参考附图,本发明的其他优点和特征将在阅读通过说明性和非限制性示例给出的以下描述时出现,所述附图表示:
·图1A和1B示出了根据本发明的两个实施例的平衡量化方法的图。
·图2显示了根据本发明的重心移动,其中轴y对应于前-后轴,x轴对应于内-外轴。
·图3A和3B显示了根据本发明的重心移动,图3A对应于“压力中心沿X轴的位置”参数的所有值在X轴上的投影,并且图3B表示“沿Y轴的压力中心的位置”参数的所有值在Y轴上的投影。
·图4示出了作为基于图2所示的重心移动计算的“时间平衡”参数的时间(X轴)的函数的所有值。虚线表示根据本发明的用于计算弹道间隔参数的阈值。
·图5示出了“沿X轴的压力中心的位置”参数的所有值在X轴上的投影、以及从该参数计算的四个量词。
·图6示出了根据本发明的平衡量化方法的实施例。以椭圆形排列的数字对应于方法步骤,而以矩形排列的数字对应于在实施这些步骤之后获得的值。
·图7A和7B示出了根据本发明的两个实施例的根据排名森林类型算法构建的两个决策树,图7B包括根据BMI分类的预备步骤。F1对应于对于弹道间隔的90百分数的闭眼/睁眼的比率,F2是对于Y轴上的位置的方差而闭眼/睁眼的比率,并且F3是闭眼的时间平衡的方差。
·图8示出了根据本发明的平衡量化设备。
·图9示出了根据本发明的平衡量化系统。
·图10示出了根据本发明实施例的从排名森林类型算法获得和建立的分数的ROC曲线。
具体实施方式
在以下描述中,在本发明的含义内的“平衡”对应于与身体的稳定性相关联的姿势平衡,并且更具体地对应于与个体的重心的稳定性相关联的姿势平衡。根据本发明的平衡概念与个体避免跌倒的能力有关,并且包括静态平衡和动态平衡。
在本发明的含义内,“平衡量化”对应于将值(例如分数、分类或等级)分配给个体的压力中心的轨迹或位移。该平衡量化允许获得代表平衡的值,并且可以基于许多不同尺寸的线性或非线性标度(例如1、5、10、100)来执行。在量化平衡时分配的平衡代表值也可以允许将个体分配给组,例如通过决策规则。特别地,可以通过实施从学习方法生成的评分算法来执行根据本发明的量化。
在本发明的含义内,“身体质量指数”(BMI)对应于用于估计人体尺寸的值。在下文中,身体质量指数数据或身体质量指数将可互换地引用。该身体质量指数通常以千克·米-2(kg.m-2)表示,并根据以下公式计算:
BMI=质量/大小2
因此,在本发明的含义内,“BMI类别”对应于从BMI分类导出的一组值。在下文中,BMI类别数据或BMI类别将可互换地引用。已经提出了许多分类。例如,世界卫生组织提出以下分类:
-<18.5体重不足
-18.5至24.99正常体重
-25至29.99超重
-≥30肥胖
在本发明的含义内,必须理解“模型”或“规则”或“评分算法”,允许量化平衡的有限系列操作或指令,即对在先前定义的组Y内的一个或多个个体进行分类,或对分类中的一个或多个个体进行排名。例如,实现这种有限的操作序列允许:例如使用具有观察的X的可能再现Y的函数f的实现,将标签Y0分配给由一组特征X0描述的观察。
Y=f(X)+e
其中e表示噪声或测量误差。
在本发明的含义内,“监督学习方法”是指用于从n个标记的观察(X1…n,Y1…n)的基础定义函数f的方法,其中Y=f(X)+e。
在本发明的含义内,“压力中心”是指水平面上的投影,其穿过受试者与由受试者身体施加在地面上的垂直力的重心的地面之间的接触点。这些测量可以使用分析脚床下压力分布的平台进行,例如测力平台或鞋或可变形地面(Benda,B.J.et al1994.Biomechanical relationship between center of gravity and center ofpressure during standing.Rehabilitation Engineering,IEEE Transactions on1994,2,3–10)。如果没有精确的重心投影,则压力中心与重心紧密相连。压力中心的位移通常比重心的位移更快且更宽,以使其保持平衡。它反映了个体为控制他/她的重心位置所做的努力。
在本发明的含义内,“重心”是指个体身体的重心。在本发明的含义内,它对应于个体质量的质心(barycenter)。重心不能保持完美的稳定性,例如,当直立时,重心从前向后和从左向右摆动。
“重心移动”或“压力中心的轨迹”是指与压力中心的轨迹或位移有关的数据。重心移动也可称为稳定性图,并且通常通过例如测力平台、配备有传感器的“智能”地板或配有压力传感器的鞋底的平台生成。它对应于压力中心随时间的计算轨迹。压力中心的轨迹由作为时间的函数和在限定的时间段内的正交参考系x,y中的一组位置数据定义。
在本发明的含义内,“平台”对应于搁置在地面上的设备,包括例如力或压力传感器类型的传感器,产生与由个体的脚施加在所述平台上的力成比例的电、光或磁信号。所使用的传感器可以是例如惠斯通电桥应变仪,以便生成3个力和力矩分量Fx、Fy、Fz、Mx、My和Mz;压电压力传感器、压阻式压力传感器或电容式压力传感器。在本发明的含义内,平台被配置为生成从所述传感器导出的“原始数据”。
在本发明的意义内,“参数”并且更具体地“从压力中心的轨迹计算的参数”是指压力中心的轨迹变换为一组值。与压力中心的位置相关的轨迹参数也可以被称为压力中心的位置轨迹参数,与压力中心的稳定性相关联或相关的轨迹参数也可以被称为压力中心的稳定性轨迹参数,并且与压力中心的动力学相关联或相关的轨迹参数也可以称为压力中心的动态轨迹参数。在以下描述中更具体地描述这些参数。
“量词”,更具体地,“从获得的参数的变换所计算的量词”,在本发明的含义内,是指通过选择或变换参数的所有值而获得的单个值。
“参考量词”是指从其平衡被先前量化的人的参考重心移动获得的值。
在本发明的含义内,“ROC(接收器操作特性)曲线”表示作为每个给定阈值的模型的特异性(假阳性率)的函数的灵敏度(真阳性率)的演变。它是在点(0,0)和点(1,1)之间上升的曲线,并且通常位于第一平分线(bisector)上方。实际上,随机预测将给出对应于第一平分线的线。对于ROC曲线,曲线越高于第一平分线,预测越好,ROC曲线下的面积(AUC-曲线下面积)表示模型的质量(1表示理想预测,0.5表示随机预测)。
在以下描述中,相同的附图标记用于表示相同的元件。
根据第一方面,本发明涉及一种方法1,用于量化个体的平衡以获得代表所述个体的平衡的值。然而,到目前为止,公认的方法基于视觉评估或观察并且不是完全客观的,根据本发明的方法具有生成也由分数(更具体地是数值)指定的值的优点。此外,该值可以完全自动地、客观地生成,并且除了一个或多个重心移动之外,无需向该方法提供关于个体的信息。
图1中所示的该量化方法1的一个实施例通过具有至少一个连接到存储装置280的数据处理模块220的设备来实现。有利地,该设备可以是根据本发明的量化设备2。
更具体地,如图1A所示,根据本发明的量化方法1包括:
a)在存储装置280上记录10从包括压力和/或力传感器312的平台310获得的个体的至少一个重心移动110的步骤,
b)由数据处理模块220并从记录在存储装置280上的个体的重心移动110提取20与压力中心的位置121相关的至少一个轨迹参数的值、和与压力中心的稳定性122相关的至少一个轨迹参数的值的步骤,
c)由数据处理模块220根据在步骤b)中提取的轨迹参数121、122的值确定30多个(例如至少两个)量词130的值的步骤,
d)由数据处理模块220将所述多个量词130的值与从参考重心移动111获得的相同量词的值进行比较40的步骤,以及
e)由数据处理模块220确定50表示在比较40结束时个体的平衡的值160的步骤。
如图1B所示的量化方法1由包括连接到存储装置280和分类模块250的至少一个数据处理模块220的设备实现。有利地,该设备可以是根据本发明的量化设备2。
更具体地,如图1B所示,根据本发明的量化方法1包括:
a)在存储装置280上记录10从包括压力和/或力传感器312的平台310获得的个体的至少一个重心移动110和所述个体的BMI数据16的步骤,
b)由分类模块250根据个体的BMI 16对BMI类别150中的个体的一个或多个重心移动110进行分类15的步骤,
c)由数据处理模块220并从记录在存储装置280上的个体的重心移动110提取20与压力中心的位置121相关的、与压力中心的稳定性122相关的和/或与压力中心的动力学123相关的至少一个轨迹参数的值的步骤,
d)由数据处理模块220根据步骤c)中提取的轨迹参数121、122、123的值确定30多个量词130的值的步骤,
e)由数据处理模块220将多个量词130的所述值与从在步骤b)中确定的BMI类别相同的BMI类别中分类的参考重心移动111获得的相同量词的值进行比较40的步骤,以及
f)由数据处理模块220确定50表示在比较40结束时个体的平衡的所述值160的步骤。
根据本发明的平衡量化方法1基于处理例如在重心移动110中转录的个体的压力中心的轨迹数据。
个体的压力中心的这些轨迹数据通常对应于压力中心的轨迹数据,并且通常在个体站立时获取。
优选地,采集是站立进行,例如将脚放在一起或在臀部。
通过生成压力中心的两个位移或轨迹动力学,来测量视觉传入(afferent)对稳定性的影响,一个眼睛睁开而另一个眼睛闭上。因此,优选地,提取步骤20通过在个体睁开他/她的眼睛时获得的重心移动110和在个体闭上他/她的眼睛时获得的重心移动110执行。
特别地,重心移动110的采集时间可以在5到70秒之间,优选地在20到60秒之间,甚至更优选地在20到40秒之间。
有利地,压力中心的轨迹数据可以在闭目直立测试期间获得。闭目直立测试包括将个体站立、不动、手臂沿着身体、直视前方。记录压力中心的位移30秒。例如,在睁开眼睛的情况下进行30秒的记录,在闭眼的情况下进行另外30秒的记录。
或者,可以通过使用放置在支撑件上、并且能够使本体感受和触觉信息变形或干扰的泡沫,来增加该方法的灵敏度。该泡沫可以例如具有1至10毫米的厚度和100至500千克/立方米的密度。
根据本发明的方法可以根据与压力中心的位移有关的数据来实现,也就是说基于至少一个重心移动110或者基于从传感器得到的并且与压力中心的位移相关的原始数据来实现。
根据本发明的量化方法1包括在存储装置280上记录10个体的至少一个重心移动110(并且有利地BMI数据16)的步骤。该记录可以在所有类型的存储器上执行,例如瞬态或非瞬态存储器。该记录优选地在非瞬态存储器上进行。
可以在实施根据本发明的方法之前并且在远程位置很好地生成重心移动110。或者,可以紧靠在实施根据本发明的平衡量化方法1之前并且通过相同的系统,来生成重心移动110。因此,根据本发明的量化方法1可以包括预先生成与压力中心11的位移有关的原始数据的步骤。然而,该步骤是可选的,并且可以在根据本发明的量化方法1之前通过已知的设备和方法进行。与压力中心的位移相关的原始数据例如对应于由平台上存在的每个传感器测量的压力值。
这些原始数据可以经历转换12成压力中心的轨迹数据(即重心移动)的步骤。该转换步骤也是可选的,因为它可以通过已知方法在根据本发明的方法之前进行。图2是根据本发明的重心移动110的图形表示,更具体地是重心移动110的曲线125的图形表示。
根据本发明的量化方法1可以有利地包括根据个体的BMI 16分类15身体质量指数(BMI)类别150中的个体的一个或多个重心移动110的步骤。该分类步骤可以由分类模块250结合记录在存储装置280上的个体的重心移动110并且根据与个体相关联的BMI值16来执行,该BMI值16也可以记录在存储装置280上。该步骤15例如,可以包括为个体的重心移动分配标签,该标签是所述个体的BMI值的函数。可以在实施根据本发明的方法之前和在远程位置很好地生成个体的BMI值。或者,BMI值16可以恰好在实施根据本发明的平衡量化方法1之前并且由相同的系统生成。因此,根据本发明的量化方法1可以包括预先生成个体的BMI数据16的步骤。然而,该步骤是可选的,并且如上所述,可以在根据本发明的量化方法1之前通过已知的设备和方法进行。根据步骤15的分类可以允许一个或多个重心移动110被分类为至少两个类别150,优选地至少三个类别150。例如,BMI类别150可以是:
-BMI低于21,
-BMI在21到30之间,和
-BMI大于30。
根据本发明的量化方法1包括从个体的重心移动110中提取几个轨迹参数120的20个值的步骤。该提取步骤可以由数据处理模块220从记录在存储装置280上的个体的重心移动110执行。
该提取步骤20允许压力中心的轨迹数据(即,重心移动)的变换,以便获得转录压力中心的该位移的特性的参数。这样计算的参数例如是针对时间t、速度、加速度、压力中心的轴线上的位置中的每一个。
该提取步骤20可以从与压力中心的位移相关的一组数据执行,例如压力中心的轨迹数据或测力平台的原始数据。实际上,可选地,根据本发明的参数的提取或计算可以在单个步骤中根据传感器的原始数据直接执行,包括生成压力中心的轨迹数据12、并然后转换为参数120。
发明人发现,为了获得个体的平衡的可靠量化,结合来自不同参数族的几个参数的分析的多参数方法是必要的。
作为根据本发明的方法的实施的一部分,发明人将在提取步骤20期间执行的这些变换分为三类:i)与压力中心的位置相关联的那些,ii)与压力中心的稳定性相关的那些,和iii)与压力中心的位移的动力学相关的那些。
因此,通过数据处理模块220并从个体的重心移动110的提取步骤20可以包括提取20与以下相关的至少一个,优选地至少两个轨迹参数120的值:
-压力中心的位置121,
-压力中心的稳定性122,和/或
-压力中心的动力学123。
另外,从许多轨迹参数,发明人选择对于量化平衡最有效的轨迹参数。他们确定使用与压力中心的位置121相关的至少一个轨迹参数和与压力中心的稳定性122相关的至少一个轨迹参数。因此,作为根据本发明的量化方法1的一部分计算的轨迹参数包括:
-与压力中心的位置121相关的至少一个参数,和
-与压力中心的稳定性122相关的至少一个参数。
实际上,发明人确定使用这两类中的至少一个参数允许提高量化的准确性并因此获得明显更好的性能,与文献相比,但也与使用文献描述符的根据本发明的评分算法相比较。
另外,发明人还表明,将与压力中心的动力学123相关的参数添加到压力中心的稳定性和位置参数可以允许改进量化。因此,根据本发明,计算的轨迹参数还可以包括与压力中心的动力学123相关的至少一个参数。
与压力中心的位置121相关的变换
压力中心沿X轴的位置
该位置对应于与X轴平面中的正交参考系的中线相比的压力中心的位置。例如,在压力中心的位置在时间t向左移位的情况下,沿X轴的位置在该时间t具有表示左超支撑的负值。该位置可以例如以毫米为单位进行测量。图3A示出了从图2所示的重心移动110获得的“沿X轴的压力中心的位置”参数121a的一组值。
压力中心沿Y轴的位置
该位置对应于压力中心相对于Y轴平面中的正交参考系的中线的位置。例如,在位置在时间t处向后移位的情况下,沿Y轴的位置在该时间t具有指示后部超支持的负值。该位置可以例如以毫米为单位进行测量。图3B示出了从图2所示的重心移动110获得的“沿Y轴的压力中心的位置”参数121b的离散值。
极坐标中的半径
该距离对应于压力中心与根据标准正交参考平面(0,0)的压力中心的平均位置的距离。例如,如果压力中心沿着60°的轴线从压力中心的平均位置移动4毫米,则在时间t,极坐标中的半径在该时间t具有4毫米的值。发明人首次提出的这种变换允许量化压力中心与原点的总距离,而不限于重心的X和Y坐标。
与压力中心的稳定性122相关的变换
径向平衡
径向平衡是压力中心在给定时间内在t秒的预定时间段内与其当前值的最大距离。计算径向平衡所考虑的时间可以在0.05到10秒之间,优选地在0.1到2秒之间。在采集持续时间内计算压力中心的位移的所有采样点的径向平衡。因此,它是时间的函数,并且可以例如以毫米为单位进行测量。
时间平衡
时间平衡是压力中心在任何给定时间从其当前位置移动超过r毫米所需的时间。考虑用于计算时间平衡所花费的距离r可以在0.1和20毫米之间,优选地从1到10毫米。对于在采集的持续时间内压力中心的位移的所有采样点计算时间平衡。因此,它是时间的函数,并且可以例如以秒为单位进行测量。
弹道间隔
弹道间隔是两个平衡位置之间的时间间隔。平衡位置对应于时间平衡的强值。优选地,平衡位置对应于这样的时间,其中时间平衡大于在重心移动中观察到的最大值的60%,优选大于80%。在采集的持续时间内计算弹道间隔,并且获得的值的数量可以根据采集而变化。它不是时间的函数,并且可以例如以秒为单位进行测量。图4示出了作为时间的函数的、基于图2中所示的重心移动110计算的“时间平衡”参数的所有值。“弹道间隔”参数122a的值例如以秒表示,并且对应于P1和P3之间的值与P4和P6之间的值之间的时间。例如,该参数包括对应于以下之间的时间差的值:P3-P2;P3-P1;P6-P1;P6-P2;P6-P3;P6-P5;P5-P1;P4-P3。
与压力中心的动力学123相关的变换
压力中心的位移的速度
在采集的持续时间内,针对压力中心的位移的所有采样点,计算压力中心的位移的速度。因此,该参数是时间的函数,并且可以例如以毫米为单位进行测量。
加速压力中心的位移
在采集的持续时间内,针对压力中心的位移的所有采样点计算压力中心的位移的加速度。因此,该参数是时间的函数,并且可以例如以毫米每秒平方来测量。
功率
根据本发明的功率对应于针对所有采样点计算的速度和加速度的标量积的值。该参数表示个体改变压力中心的速度范数所消耗的能量。
偏差
根据本发明的偏差对应于针对所有采样点计算的速度和加速度的矢量积的范数。该参数表示个体为改变压力中心的速度方向(即其位移、其轨迹或其移动)所消耗的能量。
在研究重心移动110的背景下,功率和偏差是两个参数,其可以有利地代替压力中心的位移的长度、作为Y轴的函数(VFY)的速度的方差或者LFS(即长度与表面的比率),根据现有技术提供关于受试者控制他/她的姿势所消耗的能量的信息。特别地,发明人提出的偏差允许从新角度评估个体的能量消耗,并且在根据本发明的方法中比现有技术中提出的参数(例如VFY,LFS)更相关。
根据本发明的量化方法1还可以包括从轨迹参数120确定30几个量词130的步骤。该确定步骤30可以由数据处理模块220执行。一旦在压力中心的轨迹数据的提取步骤20期间生成轨迹参数120,现有技术的工作通常专注于在采集周期内这些参数的均值和方差。
在由发明人开发的方法中,后者对用于变换这些参数的许多其他方法感兴趣,以便从这些值集合和与其他值集合组合生成表示个体的平衡的单个值。因此,产生了过去从未使用的新量词。
因此,根据轨迹参数120确定30几个量词130的步骤包括:对于每个轨迹参数120,将所有值变换为可以在比较的上下文中使用的单个值,例如通过统计比较模型。可以针对多个轨迹参数或针对相同的轨迹参数重复该转换为单个值(量词)。图5示出了针对“沿X轴的压力中心的位置”参数计算的这些量词中的一些。
在根据本发明的量化方法的上下文中,信息量最大的量词是提取的轨迹参数120的平均值、中值、方差、均方或极值。因此,优选地,根据本发明的量化方法1包括,对于至少一个参数,计算所述轨迹参数(121,122,123)的平均值127、中值128、方差、均方或至少一个极值。甚至更优选地,根据本发明的量化方法1包括,对于至少一个参数,计算所述参数的至少一个极值。
通过确定百分数来获得参数的极值。例如,可以通过对具有相同数量的值的100个子集中的参数的所有值进行排序然后分类,来计算百分数或百分位数。图5示出了“沿X轴的压力中心的位置”参数的10百分数126和95百分数129分别对应于在值的最低10%内的压力中心沿X轴的位置的最高值和在值的最高5%内的压力中心沿X轴的位置的最低值。因此,10百分数是将10%的最低值和90%的最高值分开的值,而95百分数是将95%的最低值和5%的最高值分开的值。优选地,轨迹参数120的极值对应于小于或等于15的百分数或大于或等于85的百分数;更优选地,小于或等于10的百分数或大于或等于90的百分数,甚至更优选地小于或等于5的百分数或大于或等于95的百分数。
或者,轨迹参数120的极值可以对应于大于或等于5百分数且小于或等于15百分数(低极值)的百分数或大于或等于85百分数和小于或等于95百分数(高极值)的百分数。
另外,除了量词器130的计算之外,发明人还表明,对某些参数或量词的比较睁眼(O)/闭眼(F)将允许在平衡方面区分性能。因此,特别地,根据本发明的量化方法1包括对于至少一个量词计算O/F或F/O比。
在他们的开发期间,发明人选择了一组量词130,其与量化平衡特别相关。优选地,在根据本发明的量化方法1的背景下,与压力中心的位置相关联的量词选自以下值:
-压力中心的X轴或Y轴上的平均值或中值,
-压力中心的X或Y轴上的值的平方的平均值,
-压力中心的X或Y轴上的极值,和
-压力中心的X或Y轴上的方差。
特别地,在根据本发明的量化方法1的背景下,与压力中心的X或Y轴上的极值相关联的量词选自:
-压力中心沿横轴(Y)的位置的低极值,优选地在小于或等于10的百分数内,这些值对应于观察到的最大后退(retropulsion),并且
-压力中心沿横轴(Y)的轨迹的高极值,优选地在大于或等于90的百分数内。
优选地,根据本发明的量化方法包括计算与压力中心的位置相关联的至少一个(更优选地至少两个)量词,其可以独立地选自以下量词:
-压力中心在X轴上的位置的15百分数,优选地10百分数,甚至更优选地5百分数,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,
-压力中心Y轴的中值,优选地个体闭着他/她的眼睛时测量的压力中心的位移,
-压力中心的X轴上的中值,优选地个体睁着他/她的眼睛时测量的压力中心的位移,
-压力中心在Y轴上的位置的15百分数,优选地10百分数,甚至更优选地5百分数,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,
-压力中心轨迹的Y轴上的方差,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,
-压力中心轨迹的X轴上的方差,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,
-Y轴上的均值或中值,更具体地说,当个体睁开他/她的眼睛时记录的重心移动的这些值、与当个体闭着他/她的眼睛时记录的重心移动的这些值之间的比率,
-极坐标中半径的极值,例如:
ο压力中心的极坐标中的半径的15%,优选为10%,甚至更优选为半径的5%,优选为用于在个体闭着他/她的眼睛时测量的压力中心的位移,
ο压力中心的极坐标中的半径的85百分数,优选90百分数,甚至更优选地半径的95百分数,优选地用于在个体睁开他/她的眼睛时测量的压力中心的位移,
-压力中心极坐标中半径的中值,和
-压力中心极坐标中半径的平方的均值。
优选地,根据本发明的量化方法1包括计算与压力中心的稳定性相关联的至少一个,更优选地至少两个量词,其可以独立地选自以下量词:
-径向平衡的10%,持续时间为0.5秒,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,
-径向平衡的90%,持续时间为0.1秒,优选地用于在个体睁着他/她的眼睛时测量的压力中心的位移,
-1至10毫米之间,优选从1到5毫米的距离的时间平衡的方差,优选地,在个体睁开他/她的眼睛时测量的压力中心的位移所获得的值、与对于在个体闭着他/她的眼睛时测量压力中心的位移所获得的值的比率,
-平均值、平方均值或中值,优选地是弹道间隔值的平均值,优选地用于在个体闭着他/她的眼睛时测量的压力中心的位移,以及
-弹道间隔的极高值,即85百分数和95百分数之间,例如85百分数,优选90百分数,甚至更优选弹道间隔的95百分数。
优选地,在根据本发明的量化方法的背景下,与压力中心的动力学关联的量词从功率的平均值、中值、平方均值或方差中选择,优选地用于当个体睁开他/她的眼睛时测量的压力中心的位移。
优选地,根据本发明的量化方法包括计算与压力中心的动力学相关联的至少一个,更优选地至少两个量词,其可以从以下量词中独立地选择:
-压力中心的位移的加速度的极低值,例如15%,优选地10%,
-压力中心的位移的偏差的极低值,即5百分数和15百分数之间的偏差值,例如15百分数,优选10百分数,甚至更优选5百分数,优选地用于当个体睁开他/她的眼睛时测量的压力中心的位移,以及
-压力中心的位移的速度的极高值,例如85百分数,优选地为90百分数,优选地用于在个体睁开他/她的眼睛时测量的压力中心的位移。
本发明人第一次提出了基于多个参数和/或量词的组合的多参数方法。因此,除了提取与压力中心的稳定性122相关联的至少一个参数和与压力中心的位置121相关联的至少一个参数之外,他们确定,为了在根据本发明的量化方法1中获得更可靠的值,优选地计算并然后组合几个量词,例如与相同轨迹参数相关的几个量词。因此,为了以尽可能最好的方式量化平衡并且更具体地预测跌倒的风险,优选地从轨迹参数120计算至少五个量词130,甚至更优选地至少八个量词130。
发明人还首次提出BMI类别150与和压力中心的轨迹相关联的量词的组合使用。因此,他们确定,为了在根据本发明的量化方法1中获得可靠的值并且为了以尽可能最好的方式量化平衡,更具体地预测跌倒的风险,除了组合多个量词之外,根据BMI值对一种或多种重心移动进行分类是有利的。
因此,根据本发明的量化方法1包括将量词130的多个值与从参考重心移动111获得的相同量词的值进行比较40的步骤,参考重心移动111优选地被分类在与在步骤b)中确定的BMI类别150相同的BMI类别150中。
可以使用数据处理模块220来实现比较步骤,并且可以使用已知的统计方法来执行比较步骤。优选地,该比较步骤40可以使用比较、分类或学习模型来执行,例如:感知器、内核、多核学习、支持向量机、决策树、随机森林、套袋、AdaBoost、k-最近邻和/或惩罚线性Fisher判别。
在统计方法中,线性回归模型简单且易于实现。然而,由于线性假设,这些线性模型是有限的,并且对于根据本发明的量化方法1而言不是最佳的。因此,比较步骤40包括使用非线性统计模型。
更优选地,比较步骤40基于模型,该模型在数据集上训练并且被配置为预测群体的新观测值的标记。例如,出于校准目的,可以使用来自代表群体的一组个体的数据集,其特征在于多个参考重心移动111及其相关参考参数和/或量词、以及二进制标签(标签或类别),例如,以“良好平衡”/“不良平衡”的形式。在本发明的上下文中,该比较对于分类在与个体的重心移动110的BMI类别相同的BMI类别150中的参考重心移动111是有利的。因此,比较步骤40可以包括根据附于所述参考重心移动111的BMI数据16对参考重心移动111进行分类的初步子步骤。数据集还可以包括多个标签。在本发明的上下文中,量化方法1可以基于至少二十五个参考重心移动111,优选至少五十,甚至更优选至少一百。
比较步骤40包括使用监督统计学习模型。实际上,发明人确定,在根据本发明的量化方法1的背景下,最佳量化结果是从基于监督统计学习原理的方法获得的,优选地是适用于多变量数据的方法。
在监督学习方法中,发明人识别了一些更有效的治疗方法。这可以与以下事实相关联:源自根据本发明的方法的量词来自具有显著不平衡和通常非均匀度量的数据集。因此,优选地,使用各种非线性监督统计学习方法来执行该比较步骤40。例如可以引用:
-例如,在Burges,1998(Data Mining and Knowledge Discovery.A Tutorial onSupport Vector Machines for Pattern Recognition)中描述的内核方法(例如,大边缘分离器-支持向量机SVM,内核岭回归)。
-例如,在Brieman,2001(机器学习。随机森林)中描述的集合方法(例如,套袋、提升、决策树、随机森林),或
-例如,在Rosenblatt,1958描述的神经网络(感知器:用于大脑中的信息存储和组织的概率模型)。
如上所述,根据本发明的方法的目的,除了预测属于哪个个体组之外,是量化平衡,即将数值或质量水平与个体的平衡相关联。因此,根据本发明的量化方法1包括基于比较步骤40的结果确定50代表个体的平衡的值160的步骤。
优选地,代表值160可以基于群体上的排序关系的定义,以便对构成它的个体进行排列。该步骤可以称为二进制排序。在实践中,二进制排序问题在于从对(X,Y)的副本的样本Sn={(Xi,Yi),1≤i≤n}学习模型,以便至少排序随机变量X的一个新观测值X0,其标记Y0是未知的。这样的模型允许通过在分类的顶部放置具有最高概率为正的观测值并且在分类的底部放置最可能为负的观测值来排序新的观测值。
或者,分配该代表值160可以基于多个统计方法,例如灵活边缘SVM或高斯混合模型。
优选地,根据本发明的平衡量化方法1包括使用评分算法500,该评分算法500可以集成到数据处理模块220中并且被配置为实现:
-将多个量词130的值与从参考重心移动111获得的相同量词的值进行比较40的步骤,有利地该参考重心移动111在与个体的重心移动110的BMI类别相同的BMI类别150中分类,并且
-确定50表示在比较结束时个体的平衡的值160的步骤。
该评分算法500可以由不同的监督学习模型构建。甚至更优选地,该评分算法500基于监督统计学习模型,其被配置为最小化排序规则的风险,从而允许获得更有效的预测规则,例如方法:Rankboost、Adarank、Rank SVM、Lambda rank、排序森林或神经网络。另外,作为用于量化平衡的BMI分类的重要性的一部分,根据本发明的平衡量化方法1可以包括使用每BMI类别150的评分算法500。
甚至更优选地,这个或这些评分算法500可以由多个非线性监督统计学习模型的组合构建。因此,优选地,创建评分算法500包括“套袋”步骤和/或提升步骤。例如,评分算法500可以包括使用套袋步骤构建的多个排序树类型树。实际上,如果在本发明的上下文中由发明人开发的评分算法包括套袋步骤则非常有效。
甚至更优选地,通过实施排序森林或随机森林方法获得预先校准的评分算法500。
套袋或引导聚合(Bootstrap Aggregating)是一种在初始学习集的不同子集上训练学习算法的方法。在实践中,B子集是通过随机抽取它们的每一个N次并将它们返回到初始学习集而生成的。子集称为自举样本。套袋及其实施在Galar et al 2011(A Review onEnsembles for the Class Imbalance Problem:Bagging-,Boosting-,and Hybrid-BasedApproaches)中有详细描述。套袋结合诸如决策树的学习算法非常有效,并且发明人还发现袋下方法特别适合于根据本发明的方法。
提升包括一组算法,例如:Adaboost、LPBoost、TotalBoost、BrownBoost、xgboost、MadaBoost、LogitBoost。提升是指一种训练学习算法以通过组合“弱”决策规则(即能够识别至少两个类以及机会会做到)来产生准确决策的方法。通过连续迭代弱规则,提升允许生成强分类规则或决策规则。因此,提升是一种顺序方法,每个样本都是根据前一个样本的基本规则的性能绘制的。在Freund&Schapire 1999(Machine Learning Large.MarginClassification Using the Perceptron Algorithm)中详细描述了提升及其实现。
随机森林分析或随机森林是监督统计学习方法之一。它基于套袋原则,分析的原创性是用少量变量构建的K树的聚合。每个节点都使用少量变量构建,但始终是常量和随机选择的。例如,构建几个独立模型来预测相同的变量Y,然后聚合这些模型的预测。独立模型的这种聚合允许减少方差,从而减少预测误差。
优选地,根据本发明的量化方法1允许以分数的形式获得平衡量化,或者与平衡的质量成比例的、在零和一百之间的值。例如,小于30的值表示平衡不佳。
优选地,基于比较结果确定平衡值的步骤之后是记录60所获得的平衡代表值160并且可能将所述值与链接到所述个体的唯一标识符相关联的步骤。
因此,这允许个体随时间比较他/她的代表性平衡值160。因此,优选地,根据本发明的量化方法1可以在不同日期在同一个体中实施,以便跟踪他/她的平衡代表值160的演变并因此跟踪他/她的平衡的质量。
如图1所示,根据本发明的平衡量化方法1还可以包括以图形方式表示70所述平衡代表值160的步骤。该值可以通过显示模块340a进行显示。该显示可以是指示值或图形表示的简单显示。
该图形表示可以示出平衡代表值160随时间的演变或该值在一组个体内的放置。
所述平衡代表值160还可以被发送到诸如平板电脑、服务器或个人计算机的远程系统。因此,根据本发明的量化方法1可以包括将平衡代表值160、计算的量词和/或计算的参数经由至少一个通信网络发送到至少一个通信系统(例如平板电脑、服务器或计算机)的步骤。
优选地,本发明涉及一种平衡量化方法1,包括量化静态平衡和动力学平衡。甚至更优选地,本发明涉及静态平衡的量化。
作为该新平衡量化方法1的开发的一部分,发明人验证通过所开发的统计模型获得的平衡代表值160的相关性,尤其是通过ROC曲线使用的评分算法。所开发的统计模型,尤其是发明人使用的评分算法500,可以获得大于0.7(优选大于0.8)的AUC。
图6示出了本发明的特定实施例。从该实施例,发明人分析了如实施例中所示的49个个体的重心移动。图10示出了本发明的特定实施例。从该实施例,发明人分析了如实施例中所示的84个个体的重心移动,
图7A和7B示出了由排名森林模型构建的根据本发明的两个决策树。图7b示出了决策树,其前面是根据个体的BMI值16(这里表示为二进制选择)对BMI类别150(例如BMI<21)中的重心移动110进行分类的步骤15。
在本发明的含义内,F1和F2对应于与连接到压力中心的位置121的参数有关的量词。另外,弹道间隔的90%是本发明意义内的特别优选的量词。
F3对应于与压力中心的稳定性122相关的量词。
通过评分算法500的这些量词的组合允许生成平衡代表值160(例如,0;0.33;0.66;1)。
根据一个方面,本发明涉及一种能够实施根据本发明的平衡量化方法1的平衡量化设备2。
更具体地,根据本发明的平衡量化设备2包括:
-通信模块210,能够接收所述个体的重心移动110,例如能够接收包括所述个体的至少一个重心移动的数据,
-存储装置280,和
-数据处理模块220。
或者,根据本发明的平衡量化设备2包括:
-通信模块210,能够接收包括所述个体的至少一个重心移动110和所述个体的身体质量指数数据16的数据,
-存储装置280,能够记录重心移动110和BMI数据16,
-分类模块250,和
-数据处理模块220。
图8中示意性地示出了根据本发明的平衡量化设备2。这些模块在图8中是分开的,但是,本发明可以提供不同类型的布置,例如组合这里描述的所有功能的单个模块。这些模块可以分为几个电子板或聚集在一个电子板上。
通信模块210被配置为接收信息并将信息发送到诸如平台、平板电脑、电话、计算机或服务器之类的远程系统。通信模块允许在至少一个通信网络上发送数据,并且可以包括有线或无线通信。优选地,通过诸如wifi、3G、4G和/或蓝牙的无线协议来操作通信。
通信模块210例如允许接收压力中心的位移、BMI数据16或重心移动110的原始数据。它还被配置为发送与计算的参数、计算的量词和平衡代表值160相关的数据。这些数据交换可以采取发送和接收包含压力传感器的原始值的文件(包含压力中心的轨迹的坐标的文件、以及包括参数120、量词130、类别数据150、所述个体的身体质量指数数据16和从重心移动110确定的平衡代表值160的文件)的形式。
交换的数据可以优选地以加密的形式传送,并且与特定于所研究的个体的密钥相关联。
数据处理模块220被配置成:
·从通信模块210发送的个体的重心移动110中提取与压力中心的位置121相关的至少一个轨迹参数的值、和与压力中心的稳定性122相关的至少一个轨迹参数的值,
·根据提取的轨迹参数121、122的值确定几个量词130,
·将所述量词130的值与从参考重心移动111获得的相同量词的值进行比较,和
·根据所述比较确定代表个体的平衡的值160。
可选地,数据处理模块220被配置成:
·从通信模块210发送的个体的重心移动110中提取与压力中心的位置121、压力中心的稳定性122和/或压力重心的动力学123相关的至少一个轨迹参数的值。
·根据提取的轨迹参数121、122、123的值确定多个量词130,
·将所述量词130的值与从在与个体的重心移动110的BMI类别相同的BMI类别150中分类的参考重心移动111获得的相同量词的值进行比较,并且
·根据所述比较确定代表个体的平衡的值160。
有利地,数据处理模块220具有处理器并且能够连接到存储装置280。
存储装置280可以包括瞬态存储器和/或非瞬态存储器。它能够例如以文件的形式记录压力传感器的原始值、压力中心的轨迹的坐标、参数120、量词130、BMI数据16、BMI类别数据150、和从一个或多个重心移动110确定的平衡代表值160。非瞬态存储器允许例如记录数据处理模块的配置,而非瞬态存储器允许例如记录重心移动110。非瞬态存储器可以是诸如CD-ROM、存储卡或托管在远程服务器上的硬盘驱动器之类的介质。
优选地,数据处理模块220被配置为实现根据本发明的量化方法1的不同步骤。因此,根据本发明的平衡量化方法1的优选步骤也是根据本发明的数据处理模块220的优选配置。
根据本发明的量化设备2还可以包括用于生成重心移动110的模块230。该模块被配置为从例如由力或压力传感器产生的压力中心的位移的原始数据生成与重心移动110相关的数据(例如,作为时间的函数的沿着x轴和y轴的位置)。
根据本发明的量化设备2还可以包括重新采样模块240。实际上,并非所有能够产生压力中心或重心移动的位移的原始数据的设备都提供受控的采样频率。因此,一些设备可能导致以第一随机频率产生重心移动110,其频率不能被预测,因为它在采集期间不断变化,例如,对于相同的重心移动110,在10和1000Hz之间。然而,这种频率变化会导致根据本发明的平衡量化方法1的性能降低。因此,优选地,重新采样模块被配置为以第一频率处理原始数据或重心移动110,以便生成以第二频率并且以基本恒定的频率重新采样的重心移动111。通过基本恒定的频率,应理解为在重心移动110内频率变化小于10%,优选地变化小于5%,甚至更优选小于1%。
由重新采样模块240生成的处于第二频率的重心移动110具有等于至少25Hz的采样频率。优选地,第二频率与参考重心移动111的频率基本相同。
根据本发明的平衡量化方法包括分类模块250,其被配置为根据所述个体的BMI16对身体质量指数(BMI)类别150中的个体的重心移动110进行分类。
根据本发明的平衡量化设备可以包括去噪模块290,其被配置为过滤由压力传感器或力传感器产生的原始数据,以便减少或抑制干扰信号。去噪可以基于各种方法,例如小波去噪、阈值处理、维纳滤波器和去卷积。
该设备还可以包括控制接口260。该控制接口被配置为允许用户与平衡量化设备交互。它可以包括例如手动致动器(例如按钮)或能够接收用户命令的触摸屏。
该设备还可以包括显示模块270。该显示模块可以包括液晶显示器。它允许显示各种信息,例如量化结果、平衡代表值160、所述值随时间的进展及其相对于一组人中的平衡代表值160的定位。
根据另一方面,本发明涉及图9中所示的平衡量化系统3适用于实施根据本发明的量化方法1。优选地,用于量化个体的平衡的系统3包括:
-平台310,所述平台310适于接纳个体并且包括压力和/或力传感器312,所述压力和/或力传感器312被配置成作为由个体的脚施加在平台310上的压力的函数、以第一频率生成原始数据313,
-原始数据处理单元320,用于从平台310生成的原始数据313中获取个体的至少一个重心移动110,以及
-先前描述的平衡量化设备2,其能够与处理单元320通信。
如图9所示,根据本发明的平台310是用于接纳个体并且能够使用力和/或压力传感器测量压力中心的位移的支撑件。可以使用用于测量压力中心的任何传感器系统。唯一的要求是平台310必须能够产生用于定位压力中心的原始数据。例如,这种支撑可以是一对鞋底、配有传感器或秤的“智能”地板。优选地,平台310具有托盘311。作为一般规则,托盘311一侧的尺寸可以在15至70cm之间,优选地在大约25至40cm之间。该托盘311例如可以包括模板,该模板允许在个体之间以及对于同一个体随着时间的推移、脚的可再现定位。
平台310被配置为测量在给定时间施加到托盘上的压力或力,并且为此包括传感器312。传感器将施加的力转换成对应于原始数据的电、光或磁信号。可以组合和处理这些原始数据,以便指定压力中心的坐标并跟踪其随时间的变化。这些传感器可以是压力或力传感器。力传感器测量站立对象的支撑力的合力。对平台施加的力和力矩的测量允许指定压力中心的坐标并跟踪其随时间的变化。压力传感器可以包括例如压力单元,该压力单元被配置成测量或检测由放置在托盘上的个体的重量或由个体的脚施加在平台上的压力引起的压力。从这些传感器获得的数据是原始数据。平台310还可包括多个电阻或压电传感器(例如,在1,000和6,000个传感器之间)。优选地,存在位于平台端部的4个传感器,例如,对于右和左或顶和底传感器,间隔20至50cm。例如,如图9所示,平台310具有位于托盘的四个角处的四个传感器312(左上、右上、左下、右下)。
平台310有利地包括时间计数模块,并且可以被配置为以随机间隔测量其各种传感器312的值,其频率可以变化,例如,从10Hz到1,000Hz。优选地,平台310被配置为以大于或等于25Hz的频率测量其各种传感器312的值,更优选地大于或等于50Hz。
甚至更优选地,平台310被配置成在获取重心移动110时,以大于或等于25Hz的频率并以基本恒定的方式测量其各种传感器312的值。实际上,如果采样频率太低或太随机,则平衡的量化将不够准确。如果频率不恒定,则优选地,平均采集频率大于或等于60Hz,更优选地大于或等于75Hz。
平台310可以包括显示设备,优选地定位成使得站在托盘311上的个体可以看到显示设备。
平台310还可以包括扬声器设备,该扬声器设备可以向个体发出指令(例如,走上或走下托盘311)。这些指令也可以由显示设备给出。
平台310还可以包括用于测量个体的体重、他/她的脂肪、水、骨骼、肌肉质量、他/她的心率和/或他/她的身体质量指数的模块。
平衡量化系统3还包括用于处理由平台生成的原始数据320的单元。该原始数据处理单元320被布置和/或配置成从由传感器312生成的原始数据生成个体的至少一个重心移动110。该原始数据处理单元320可以例如集成到平台310中,如图9所示。然而,它也可以集成到远程服务器330中,集成到量化设备2中(例如,它然后还集成用于生成重心移动110的模块230)或集成到控制设备340中。
平衡量化系统3可以包括如图9所示的远程服务器330。例如,可能通过网络接口或直接通过在控制设备340上直接实现的适当功能,访问该远程服务器330。一个或多个控制设备340和远程服务器330之间的所有通信,例如,可以通过HTTPS协议和AES 512加密来保护。
该远程服务器可以托管量化设备2。因此,单个量化设备2可以跟踪多个个体。
根据本发明的量化系统可以包括系统控制设备340,其被配置为与平台310和平衡量化设备2交互。该系统控制设备340允许例如控制来自平台310的数据获取,并显示来自量化设备2的结果。
该系统控制设备340优选地是移动设备,诸如平板电脑340a、膝上型电脑或手表。
根据本发明的量化系统可以包括BMI确定设备350,其被配置为根据身高和体重数据确定个体的BMI。
根据另一方面,本发明涉及一种计算机程序产品4,其被配置为实现根据本发明的平衡量化方法1。计算机程序产品4记录在非瞬态存储介质上,并且能够在计算机、平板电脑或服务器上运行;所述计算机程序至少包括:
-适于从个体的重心移动110中提取与压力中心的位置121相关的至少一个轨迹参数的值、和与压力中心的稳定性122相关的至少一个轨迹参数的值的算法,
-适于根据提取的轨迹参数121、122的值确定多个量词130的算法,
-适于将所述量词130的值与从参考重心移动111获得的相同量词的值进行比较的算法,以及
-适于基于所述比较确定代表个体的平衡的值160的算法。
或者,本发明涉及一种计算机程序产品4,其被配置为实现根据本发明的平衡量化方法1。计算机程序产品4记录在非瞬态存储介质上,并且能够在计算机、平板电脑或服务器上运行。所述计算机程序至少包括:
-适于根据所述个体的BMI 16对身体质量指数(BMI)类别150中的个体的重心移动110进行分类的算法,
-适于从个体的重心移动110中提取与压力中心的位置121、与压力中心的稳定性122和/或压力中心的动力学123相关的至少一个轨迹参数的值的算法,
-适于根据一个或多个提取的轨迹参数121、122、123的值确定多个量词130的算法,
-适于将所述量词130的值与从在与重心移动110的BMI类别150相同的BMI类别150中分类的参考重心移动111获得的相同量词的值进行比较的算法,以及
-适于基于所述比较确定代表个体的平衡的值160的算法。
更优选地,计算机程序产品4被记录在非瞬态存储介质上,并且能够在计算机、平板电脑或服务器上运行;所述计算机程序至少包括:
-可选地适于根据所述个体的BMI 16对身体质量指数(BMI)类别150中的个体的重心移动110进行分类的算法,
-适于从个体的重心移动110中提取与压力中心的位置121相关的至少一个轨迹参数的值、与压力中心的稳定性122相关的至少一个轨迹参数的值和与压力中心的动力学123相关的至少一个轨迹参数的值的算法,
-适于根据提取的轨迹参数121、122、123的值确定多个量词130的算法,和
-评分算法,适于比较多个量词130的值,并基于所述比较确定表示个体的平衡的值160。
根据本发明的方法、设备、系统和计算机程序产品允许量化个体的平衡,并且可以具有许多应用。
实际上,本发明允许提供测量工具,即方法,用于实现该方法的设备和集成该设备的系统,用于获得个体的平衡的数值和目标值,以便回答与个体的平衡有关的三个主要问题:
-A]平衡的演变、自然或治疗不足,
-B]平衡的质量、以及因此其必然结果、可能的平衡障碍的严重程度(例如跌倒的风险是什么?),以及
-C]可能的平衡障碍的一种或多种原因。
实际上,生成表示个体的平衡并指示他/她的平衡质量的值160允许个体或其他人将数值和目标值分配给该平衡。
这些值或分数可以用作随时间监测的一部分,以识别与学习的参考的偏差。
类似地,本发明可用于突出不同治疗的效果,并且可通过根据本发明的平衡的量化来跟踪恢复率。因此,本发明可以在体育项目、假肢、运动鞋、补偿鞋垫、康复方案、神经障碍治疗和/或手术技术的性能评估的背景下实施。根据本发明的方法特别适合于老年人。
此外,本发明可用于将个体的平衡质量与其他个体的平衡质量进行比较,并确定例如个体是否有跌倒的风险。因此,本发明可以实施为例如在6个月时跌落风险的测量的一部分。在这种情况下,由根据本发明的量化方法1确定的平衡代表值160是在6个月跌落的风险的指示值。特别地,在本发明的含义内,个体是超过60岁(优选超过70岁)的人。
另外,将在个体中获得的量词130的值与在不同类别的人中获得的量词的值进行比较可以帮助针对个体应该如何被照顾并且将他们引导到适当的服务(例如,创伤学、风湿病学、神经病学)。因此,本发明可以在确定平衡障碍的起源的背景下实施。
示例
个体学习
以下显示的结果是根据“Agence National de Sécurité du Médicament et desproduits de santé”批准的协议实现的,并且获得了所有参与者的书面同意。
本发明在具有以下特征的第一组49个个体上实施:
-超过70岁;
-能够站在平台上,
-会诊时BMI低于21,并且
-已经给予知情同意。
在研究中包括的49个个体中:
-27人在会诊前的6个月内报告了一次跌倒,
-7人跌倒导致创伤和住院,
-16人导致创伤,没有住院治疗,并且
-4人被分类为良性(无创伤,无住院)。
本发明还在第二组84个体上实施。参与者来自不同地点,Val-de-医院(法国巴黎)的神经科、Bégin医院(法国巴黎)的急诊科、和从业者(法国巴黎)的会诊室。纳入标准与第一组个体相似:65岁以上;涉及一般的医疗或神经会诊,能够站在平台上,没有患有与平衡有关的残疾,给予知情同意。
在该研究中仅包括健康个体,即临床检查后的无症状个体。有显著高血压(平均收缩压(SBP)140mmHg或平均舒张压(DBP)90mmHg),低血压(SBP 90mmHg或DBP 60mmHg)的患者,特别改变或服用可显著改变其平衡的药物(如血管活性药、精神药物等)被排除在外。
测量压力中心的位移
在会诊期间,使用Wii平衡板(注册商标)跟踪个体的压力中心的移动,并使用专门开发作为本发明的一部分的定制应用来记录。脚被定位在患者最舒适的位置,而不超过肩部的宽度。压力中心的轨迹在睁眼时记录20秒,然后在闭眼时记录20秒。对于第二组个体,压力中心的轨迹在睁眼时记录25秒,然后在闭着他/她的眼睛时记录25秒。为每一个体完成秋季调查问卷,以便记录过去6个月内发生的报告跌倒。
预处理
在计算重心移动之前,WBB对原始信号的输出进行去噪和重新采样。
统计分析
对于每个重心移动,从重心移动计算十五个量词。
从参考文献的重心移动获得的量词允许基于排名森林算法(例如图7中所示的决策树的子部分)建立评分算法。F1对应于用于弹道间隔的90百分比的闭眼/睁眼率,F2是用于Y轴上的位置方差的闭眼/闭眼的比率,F3是闭眼时时间平衡的方差。从待分析的重心移动获得的量词用作该评分算法的输入,该评分算法计算0和1之间的值,指示平衡,更具体地指示个体跌倒的风险。低分对应于跌倒的高风险,而高分则是低跌倒风险的特征。对于每个重心移动,计算五个不同的参数如下:
1)CoP沿内外轴的位置,
2)CoP沿前后轴的位置,
3)CoP位置与轨迹中心或半径之间的距离,
4)CoP的瞬时加速度,和
5)弹道间隔,即密度峰值之间的距离,其中摇摆密度定义为小空间圆以当前位置为中心的的时间。
然后这五个指数来自这些信号(得到的量词在下面的表1中定义)。它们编码信号的五维表示。
表1.使用的量词汇总。
因此,与现有技术不同,本发明提供了一种用于获得个体的平衡的数值和目标值的测量工具。
第二组个体的结果。
收集关于参与者的年龄、性别、体重、身高的基本数据,并显示在下表中(表2)。
总计 | 非跌倒者 | 跌倒者 | |
人口统计数据 | 84 | 60 | 24 |
男性 | 40 | 27 | 13 |
女性 | 44 | 33 | 11 |
年龄 | 80.3(±6.4) | 79.8(±6.6) | 81.3(±5.8) |
重量(kg) | 70.0(±10.5) | 70.1(±10.5) | 68.5(±10.5) |
身高(cm) | 167.1(±8.4) | 167.2(±8.4) | 167.0(±8.4) |
BMI(kg.m<sup>-2</sup>) | 24.90(±2.39) | 24.95(±2.4) | 24.78(±2.3) |
表2.样本中包括的患者的人口统计数据。跌倒者是指在过去6个月中至少有一次跌倒的患者。在性别、年龄、体重、身高和身体质量指数(BMI)方面,2个群体中没有发现显著差异。
在我们的群体中,除了量词(5)之外,大多数单独使用的量词没有通过传统的Wilcoxon检验显示出显著的结果(p<0.05),并且它们在ROC分析中的表现接近于随机分类器(AUC在0.49和0.54之间),质疑单个描述符的能力以对两组进行适当分类并量化平衡(表3)。
表3.对于跌倒者和非跌倒者的平均值和标准偏差、AUC、对于每个使用的量词的Wilcoxon排列的总和的测试的p值。
在表3中,发明人观察到单独的指数不能对跌倒者非跌倒者进行分类。这可能是因为在我们的群体中,一些跌倒者和非跌倒者的身体具有非常相似的重心移动。例如,一些易于跌倒的受试者具有较大的重心移动和前-后坐标的高度变化,而其他受试者可能具有窄的CoP轨迹。
在表3中,发明人观察到这些固有矛盾的性质质疑线性方案的分类准确性,因为这些方法倾向于错误标记一种或多种类型的跌倒者。
另外,尽管单独使用量词(1)产生接近随机的AUC,但它在Wilcoxon检验中显示出显著的p值(参见表3)。相反,排序森林方案,其以复杂和非线性方式组合所有量词,允许获得0.75的显著AUC。通过这些方法获得的ROC曲线显示在图10中。
最后,表4显示了该实施例中使用的量词重要性相对平均值。应该注意的是,算法认为所有量词都很重要,这可能突出了在分析重心移动时使用几种不同量词的需要。
量词 | 1 | 2 | 3 | 4 | 5 |
量词重要性 | 0.20(±0.02) | 0.16(±0.02) | 0.20(±0.02) | 0.20(±0.02) | 0.25(±0.02) |
表4.在该示例中使用的量词的重要性(Quant.Imp.)的平均值和标准偏差。
结论
在该研究中,提出了一种新方案来对老年人群中的跌倒者和非跌倒者进行分类(84个体)。这种方法基于排名森林类型算法,结合了具有强大分类性能的优点,同时仅使用两个简单的静态测量。在该模型中,重心移动在多维空间(五个量词)中表征,并使用非线性评分算法评估,该算法使用70%的全局数据集(学习集)的子集形成。这个性能在剩余的30%中得到验证。
将结果与每个实体的性能进行比较,表明虽然每个特征在跌倒者、非跌倒者的分类中几乎具有随机性能,但是排名森林得分实现了显著更高的性能。
总之,根据本发明的方法允许获得关于未来跌倒风险的预测的重要信息,并且甚至可以通过简单的一分钟协议来提取。
Claims (20)
1.一种用于量化个体的平衡以获得代表所述个体的平衡的值(160)的方法,所述方法由包括连接到存储装置(280)的至少一个数据处理模块(220)的设备实现,并且所述方法包括:
a)在存储装置(280)上记录(10)从包括压力和/或力传感器(312)的平台(310)获得的个体的至少一个重心移动(110)的步骤,
b)由数据处理模块(220)并从记录在存储装置(280)上的个体的一个或多个重心移动(110)提取(20)压力中心的至少一个位置轨迹参数(121)的值、和压力中心的至少一个稳定性轨迹参数(122)的值的步骤,
c)由数据处理模块(220)从在步骤b)中提取的轨迹参数(121,122)的值确定(30)多个量词(130)的值的步骤,
d)由数据处理模块(220)比较(40)多个量词(130)的所述值与从参考重心移动(111)获得的相同量词的值,以及
e)由数据处理模块(220)确定(50)表示在比较(40)结束时个体的平衡的所述值(160)的步骤。
2.根据权利要求1所述的量化方法,其特征在于,实现所述方法的所述设备还包括分类模块(250),并且其中:
-记录步骤(10)还包括记录所述个体的身体质量指数(BMI)数据(16),其后跟随由所述分类模块(250)根据记录的BMI数据(16)对BMI类别(150)中的所述个体的一个或多个重心移动(110)进行分类(15)的步骤,所述分类步骤(250)发生在记录步骤a)(10)之后和在提取步骤b)(20)之前,
-在比较(40)至少两个量词(130)的所述值的步骤期间,将至少两个量词(130)的所述值与从在与在分类步骤(15)期间确定的BMI类别(150)相同的BMI类别(150)中分类的参考重心移动(111)获得的相同量词的值进行比较。
3.根据权利要求2所述的量化方法,其中在分类步骤(250)中确定的BMI类别(150)是从至少三个BMI类别(150)中选择的。
4.根据权利要求1至3中任一项所述的量化方法,其特征在于,步骤b)还包括提取(21)压力中心的至少一个动态轨迹参数(123)的值。
5.根据权利要求1至4中任一项所述的量化方法,其特征在于,所述压力中心的所述至少一个位置轨迹参数(121)选自:所述压力中心沿X轴的位置、所述压力中心沿Y轴的位置、和极坐标的半径。
6.根据权利要求1至5中任一项所述的量化方法,其特征在于,所述压力中心的至少一个位置轨迹参数(121)是极坐标中的半径。
7.根据权利要求1至6中任一项所述的量化方法,其特征在于,所述压力中心的所述至少一个稳定性轨迹参数(122)选自:径向平衡、时间平衡和弹道间隔。
8.根据权利要求4至7中任一项所述的量化方法,其特征在于,所述压力中心的所述至少一个动态轨迹参数(123)选自:压力中心的位移的速度、压力中心的位移的加速度、功率和偏差。
9.根据权利要求1至8中任一项所述的量化方法,其特征在于,步骤b)通过在闭目直立测试期间生成的两个重心移动(110)执行。
10.根据权利要求1至9中任一项所述的量化方法,其特征在于,在步骤c)中确定的量词(130)中的至少一个是所述轨迹参数(121,122,123)的极值,所述极值对应于轨迹参数值(121,122,123)的大于或等于5的百分数和小于或等于15的百分数之间的百分数、或者对应于轨迹参数值(121,122,123)的大于或等于85的百分数和小于或等于95的百分数之间的百分数。
11.根据权利要求1至10中任一项所述的量化方法,其特征在于,步骤d)和e)通过在基于从参考重心移动(111)获得的相同量词的值预先校准的评分算法(500)中实施在步骤c)中确定的量词(130)的值来执行。
12.根据权利要求11所述的量化方法,其特征在于,基于从在与在步骤a)中确定的BMI类别(150)相同的BMI类别(150)中分类的参考重心移动(111)获得的相同量词的值,来预先校准评分算法(500)。
13.根据权利要求12所述的量化方法,其中通过实施监督学习统计方法,优选地排序森林或随机森林方法,来获得所述预先校准的评分算法(500)。
14.根据权利要求12或13之一所述的量化方法,其中,通过实施包括实施套袋步骤的监督学习统计方法,来获得预先校准的评分算法(500)。
15.根据权利要求1至14中任一项所述的量化方法,其特征在于,在步骤c)中,所述量化方法包括确定至少五个量词(130)的值。
16.一种用于量化个体的平衡的设备(2),所述设备包括:
-能够接收所述个体的重心移动(110)的通信模块(210),
-能够记录重心移动(110)的存储装置(280),和
-至少一个数据处理模块(220),能够连接到存储装置(280),所述数据处理模块(220)被配置为:
o从通信模块(210)发送的所述个体的重心移动(110)中提取压力中心的至少一个位置轨迹参数(121)的值、和压力中心的至少一个稳定性轨迹参数(122)的值,
o从提取的轨迹参数(121,122)的值确定多个量词(130),
o将所述量词(130)的值与从参考重心移动(111)获得的相同量词的值进行比较,以及
o基于所述比较来确定代表个体的平衡的值(160)。
17.根据权利要求16所述的量化设备,其特征在于,还包括分类模块(250),其中:
-通信模块(210)还能够从所述个体接收BMI数据(16),
-存储装置还能够记录BMI数据(16),
-分类模块(250)被配置为根据所述个体的BMI数据(16)对BMI类别(150)中的个体的重心移动(110)进行分类,以及
-数据处理模块(220)还被配置为将所述量词(130)的值与从在与个体的重心移动(110)的BMI类别(150)相同的BMI类别(150)中分类的参考重心移动(111)获得的相同量词的值进行比较(150)。
18.一种用于量化个体的平衡的系统(3),包括:
-平台(310),所述平台(310)适于接纳个体,并且包括压力和/或力传感器(312),其配置成作为通过平台(310)上的个体的脚施加的压力的函数而按照第一频率生成原始数据(313),
-原始数据处理单元(320),被安排为从由平台(310)生成的原始数据(313)获得个体的至少一个重心移动(110),以及
-根据权利要求16或17之一的平衡量化设备,能够与处理单元(320)通信。
19.根据权利要求19所述的量化系统(3),其特征在于,所述平台(310)被配置为以大于或等于25Hz的频率测量其不同传感器(312)的值。
20.根据权利要求19所述的量化系统(3),其特征在于,所述量化设备还包括重新采样模块,所述重新采样模块被配置为以第一频率处理原始数据或重心移动(110),以便生成以第二频率重新采样的重心移动,所述第二频率具有基本恒定的频率。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1660846A FR3058538B1 (fr) | 2016-11-09 | 2016-11-09 | Procede multiparametrique de quantification de l'equilibre |
FR1660850 | 2016-11-09 | ||
FR1660846 | 2016-11-09 | ||
FR1660850A FR3058539B1 (fr) | 2016-11-09 | 2016-11-09 | Procede de quantification de l’equilibre |
PCT/FR2017/053058 WO2018087479A1 (fr) | 2016-11-09 | 2017-11-09 | Procede multiparametrique de quantification de l'equilibre |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110313036A true CN110313036A (zh) | 2019-10-08 |
Family
ID=60409304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780081144.6A Pending CN110313036A (zh) | 2016-11-09 | 2017-11-09 | 用于量化平衡的多参数方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11607166B2 (zh) |
EP (1) | EP3539030A1 (zh) |
JP (1) | JP2020513274A (zh) |
CN (1) | CN110313036A (zh) |
WO (1) | WO2018087479A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144503A (zh) * | 2019-12-30 | 2020-05-12 | 华中科技大学鄂州工业技术研究院 | 一种多分类结果的评分方法及装置 |
CN111358471A (zh) * | 2020-04-15 | 2020-07-03 | 青岛一小步科技有限公司 | 一种身体姿态检测装置及检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114983399B (zh) * | 2022-07-18 | 2023-05-16 | 四川爱麓智能科技有限公司 | 一种行为监测识别方法和交互反馈系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050075833A1 (en) * | 2003-09-23 | 2005-04-07 | Nashner Lewis M. | Method and apparatus for reducing errors in screening-test administration |
WO2012075268A2 (en) * | 2010-12-01 | 2012-06-07 | University Of Utah Research Foundation | Faint and fall assessment |
US20120253233A1 (en) * | 2011-03-31 | 2012-10-04 | Greene Barry | Algorithm for quantitative standing balance assessment |
US20130054180A1 (en) * | 2011-08-29 | 2013-02-28 | James R. Barfield | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
TWM459842U (zh) * | 2013-04-24 | 2013-08-21 | Univ Hungkuang | 平衡感評估裝置 |
US20140024972A1 (en) * | 2012-07-20 | 2014-01-23 | Intel-Ge Care Innovations Llc. | Quantitative falls risk assessment through inertial sensors and pressure sensitive platform |
US20140081177A1 (en) * | 2012-09-14 | 2014-03-20 | Benemerita Universidad Autonoma De Puebla | Posturographic system using a balance board |
CN105125221A (zh) * | 2015-10-26 | 2015-12-09 | 重庆理工大学 | 云服务实时摔倒检测系统及方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5388591A (en) * | 1992-12-09 | 1995-02-14 | Trustees Of Boston University | Method and apparatus for analyzing the human postural control system |
JP4805070B2 (ja) * | 2006-09-07 | 2011-11-02 | ニッタ株式会社 | 転倒危険度判定装置 |
US7910840B2 (en) * | 2007-01-31 | 2011-03-22 | Fook Tin Technologies Ltd. | Apparatus and method for determining growth status of a human subject |
JP2014140449A (ja) * | 2013-01-23 | 2014-08-07 | Anima Corp | 重心動揺解析装置 |
JP6691145B2 (ja) * | 2015-06-30 | 2020-04-28 | ジブリオ, インク | 人の姿勢安定性および転倒リスクを判定するための方法、システムおよび装置 |
US20170296113A1 (en) * | 2016-04-14 | 2017-10-19 | Hong Kong Baptist University | Combined device that measures the body weight and balance index |
-
2017
- 2017-11-09 EP EP17801086.4A patent/EP3539030A1/fr active Pending
- 2017-11-09 CN CN201780081144.6A patent/CN110313036A/zh active Pending
- 2017-11-09 WO PCT/FR2017/053058 patent/WO2018087479A1/fr unknown
- 2017-11-09 US US16/346,395 patent/US11607166B2/en active Active
- 2017-11-09 JP JP2019530782A patent/JP2020513274A/ja active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050075833A1 (en) * | 2003-09-23 | 2005-04-07 | Nashner Lewis M. | Method and apparatus for reducing errors in screening-test administration |
WO2012075268A2 (en) * | 2010-12-01 | 2012-06-07 | University Of Utah Research Foundation | Faint and fall assessment |
US20120253233A1 (en) * | 2011-03-31 | 2012-10-04 | Greene Barry | Algorithm for quantitative standing balance assessment |
US20130054180A1 (en) * | 2011-08-29 | 2013-02-28 | James R. Barfield | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
US20140024972A1 (en) * | 2012-07-20 | 2014-01-23 | Intel-Ge Care Innovations Llc. | Quantitative falls risk assessment through inertial sensors and pressure sensitive platform |
US20140081177A1 (en) * | 2012-09-14 | 2014-03-20 | Benemerita Universidad Autonoma De Puebla | Posturographic system using a balance board |
TWM459842U (zh) * | 2013-04-24 | 2013-08-21 | Univ Hungkuang | 平衡感評估裝置 |
CN105125221A (zh) * | 2015-10-26 | 2015-12-09 | 重庆理工大学 | 云服务实时摔倒检测系统及方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144503A (zh) * | 2019-12-30 | 2020-05-12 | 华中科技大学鄂州工业技术研究院 | 一种多分类结果的评分方法及装置 |
CN111144503B (zh) * | 2019-12-30 | 2022-09-27 | 华中科技大学鄂州工业技术研究院 | 一种平衡能力评价方法及装置 |
CN111358471A (zh) * | 2020-04-15 | 2020-07-03 | 青岛一小步科技有限公司 | 一种身体姿态检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11607166B2 (en) | 2023-03-21 |
WO2018087479A1 (fr) | 2018-05-17 |
US20200187842A1 (en) | 2020-06-18 |
EP3539030A1 (fr) | 2019-09-18 |
JP2020513274A (ja) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sasaki et al. | Measurement of physical activity using accelerometers | |
Panhwar et al. | Assessment of frailty: a survey of quantitative and clinical methods | |
Husu et al. | Physical activity, sedentary behavior, and time in bed among Finnish adults measured 24/7 by triaxial accelerometry | |
Banerjee et al. | Validating a commercial device for continuous activity measurement in the older adult population for dementia management | |
CN110313036A (zh) | 用于量化平衡的多参数方法 | |
Antwi-Afari et al. | Machine learning-based identification and classification of physical fatigue levels: A novel method based on a wearable insole device | |
Clark et al. | Physical activity characterization: does one site fit all? | |
Rozanski et al. | Consumer wearable devices for activity monitoring among individuals after a stroke: a prospective comparison | |
Sample et al. | Identification of key outcome measures when using the instrumented timed up and go and/or posturography for fall screening | |
Wang et al. | Impact of fractals emerging from the fitness activities on the retail of smart wearable devices | |
Chen et al. | Interpretable evaluation for the Brunnstrom recovery stage of the lower limb based on wearable sensors | |
Pietroni et al. | Methodologies for continuous activity classification of user through wearable devices: Feasibility and preliminary investigation | |
Faisal et al. | Characterization of knee and gait features from a wearable tele-health monitoring system | |
Clark et al. | Physical activity, motor competence and movement and gait quality: A principal component analysis | |
Trkov et al. | Classifying hazardous movements and loads during manual materials handling using accelerometers and instrumented insoles | |
Lee et al. | Development of a sitting posture monitoring system for children using pressure sensors: An application of convolutional neural network | |
US11246525B2 (en) | Method for quantifying balance | |
Flórez-Pregonero et al. | The accuracy of the placement of wearable monitors to classify sedentary and stationary time under free-living conditions | |
Li et al. | The early warning research on nursing care of stroke patients with intelligent wearable devices under COVID-19 | |
Panhwarr et al. | Quantitative frailty assessment based on kinematic parameters of daily living activities | |
Kos et al. | Classification of human physical activity based on raw accelerometry data via spherical coordinate transformation | |
Bergmann et al. | A Bayesian assessment of real-world behavior during multitasking | |
Huang et al. | Feasibility of predicting functional decline in the elderly through key posture information during sit-to-stand movement | |
Zhao et al. | A comparative study on real-time sitting posture monitoring systems using pressure sensors | |
Pon et al. | Using Self-Organizing Map to Find Cardiac Risk Based on Body Mass Index |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |
|
WD01 | Invention patent application deemed withdrawn after publication |