CN110367991B - 一种老年人跌倒风险评估方法 - Google Patents
一种老年人跌倒风险评估方法 Download PDFInfo
- Publication number
- CN110367991B CN110367991B CN201910565390.XA CN201910565390A CN110367991B CN 110367991 B CN110367991 B CN 110367991B CN 201910565390 A CN201910565390 A CN 201910565390A CN 110367991 B CN110367991 B CN 110367991B
- Authority
- CN
- China
- Prior art keywords
- data
- plantar pressure
- parameter
- old
- model
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种老年人跌倒风险评估方法,包括数据准备、模型构建、参数范围估计、跌倒风险评估四个步骤:采集所有样本的步态足底压力数据和个人身体健康状况相关数据,并进行相应技术处理以用于模型分析;构建老年人步态足底压力数据关于不同阶段均值函数的多元统计回归基础模型;采用极大似然理论和最优化算法确定基础模型中参数的合理范围;将待评估对象的参数估计值与参数的合理范围进行比较,如果待评估对象的参数超出合理范围,则该评估对象的跌倒风险程度较高,反之较低。本发明综合考虑了所有样本的步态足底压力数据和个人身体健康状况相关数据,可用于对不同跌倒风险程度的老年人进行分类,实现对不同老年人跌倒风险程度的评估。
Description
技术领域
本发明涉及老年人跌倒风险评估技术领域,具体是一种老年人跌倒风险评估方法。
背景技术
截至2018年底,全国60岁及以上老年人口为2.49亿人,占总人口的比重为17.9%,其中,65岁及以上老年人口为1.67亿人,占总人口的比重为11.9%。跌倒已经成为近几年我国65岁及以上老年人因伤就医的首要原因。2014年,国家卫计委将“预防跌倒”正式纳入20项“老年健康核心信息”中。
通过对老年人的行走步态足底压力进行评估,进而得出老年人的跌倒风险程度,实现对跌倒风险程度相对较高的老年人与跌倒风险程度相对较低的老年人进行分类。对于评估结果为具有较高跌倒风险程度的老年人,对其进行有针对性的日常生活和运动锻炼的指导,这将有助于减少跌倒发生的概率,对降低老年人的伤残率和死亡率具有重要意义。
目前老年人跌倒风险定性评估方法主要有临床观察法和量表评估法两种。老年人跌倒风险定量检测方法主要基于可穿戴设备、环境传感装置和视频图像装置等三种不同类型的跌倒检测装置,该类研究在采集到样本数据后,通过机器学习或统计分析方法对每一例样本数据单独进行处理和分析,通过分析每一例样本数据本身的物理意义等方式来实现对该样本跌倒风险程度的评估。这两种方法都有一定的局限性,机器学习方法的训练时间成本高,且分类特征不容易确定,无法用于实时的检测;统计分析中通过对数字特征设定阈值的方法维度过于单一,忽略了老年人跌倒行为的动力学特征,且受个体影响较大,从而会造成误报率较高。
发明内容
本发明所要解决的技术问题在于,提供一种老年人跌倒风险评估方法,能够实现对不同老年人跌倒风险程度的评估,可对不同跌倒风险程度的老年人进行分类,发明方法具有普适性。
为解决上述技术问题,本发明提供一种老年人跌倒风险评估方法,包括如下步骤:
(1)数据准备;选取样本,采集样本老年人的步态足底压力数据和个人身体健康状况相关数据,并进行相应技术处理以用于模型分析;
(2)模型构建;构建老年人步态足底压力数据关于不同阶段均值函数的多元统计回归基础模型
yj(t)=β0+β1h1(t)+β2h2(t)+…+βmhm(t)+δjt+εjt
其中,t为时间变量,取值点的总个数为nj,yj(t)表示老年人第j次测量在某一时刻t的行走步态足底压力值,j=1,2,…,n,n表示总测量次数;hi(t),i=1,2,…,m表示老年人的步态足底压力分段均值函数,m是完成一次测量可划分的服务阶段;δjt表示老年人重复完成同一服务类型不同测量次数的步态足底压力之间的纵向随机波动误差;εjt表示老年人重复完成同一服务类型不同时刻之间的横向随机时间误差;βi为待估参数,i=0,1,…,m;
(3)参数范围估计;对两类误差作正态分布的假设,采用极大似然理论和改进的Powell优化算法将处理后的数据代入步态足底压力多元统计回归基础模型中,以此求解参数的合理范围,具体可以通过联立求解似然方程组得到:
其中,误差的分布假设为 和表示方差;表示联合分布,是均值函数,∑j是协方差矩阵;β,σ和τ是3类参数:βi,和的统称;表示1×nj的列向量,当i=0时,它是分量取值均为1的列向量;而当i=1,2,…,m时,它是分量取值为hi(t)的列向量;Vi表示其第i行第i列元素为1,其余元素均为0的nj×nj矩阵,j=1,2,…,n;
(4)跌倒风险评估;将待评估对象的参数估计值与参数的合理范围进行比较,如果待评估对象的参数超出合理范围,则该老年人的跌倒风险程度较高,否则跌倒风险程度较低。
优选的,步骤(1)中,采集的步态足底压力数据包含对应样本重复完成老年人跌倒风险评估项目时的行走步态足底压力数据;采集的个人身体健康状况相关数据包括个人基本信息(年龄、身高和体重等)、跌倒史、心理因素、疾病史、药物史和生活型态六大类。
优选的,步骤(1)中,老年人参与的跌倒风险评估项目包括坐下–站立–行走–转身、跨越障碍物行走、改变步行速度式行走三种服务形式。
优选的,步骤(1)中,样本数据的初始技术处理主要包括两项,一是对测量时间变量的归一化处理:将所有时间变量除以最大时间点以将时间范围统一划分到[0,1];二是将步态足底压力数据除以老年人自身的体重处理:为了消除因不同个体体重差异而产生的影响。
优选的,步骤(3)中,根据具体服务项目可划分的服务阶段以及步态足底压力所呈现的分布结构选择相适应的曲线拟合函数对模型中不同阶段的均值函数进行定义,并结合跌倒史及其他个人身体健康状况相关数据选取跌倒频率较低的老年人作为训练样本集并利用参数的求解算法对步态足底压力数据进行计算分析以得到模型参数的估计值,再根据参数估计值的均值和方差给出参数的合理范围。
优选的,步骤(4)中,结合待评估对象的数据对其模型参数进行估计,将其参数估计值与根据训练样本集求出的参数合理范围进行比较,当存在参数超出合理范围时,即评估其跌倒风险程度较高。
本发明的有益效果为:本发明从一个新的视角研究老年人跌倒风险评估方法,不再是对样本进行单独处理和分析,而是综合考虑了所有样本老年人的步态足底压力数据,研究老年人的步态足底压力所呈现出的分布结构,借助统计分析的理论和方法构建适用于各种跌倒风险评估服务项目的基础模型;研究方法具有普适性,并能够基于真实的步态足底压力样本数据和个人身体健康状况相关数据对模型进行验证分析,实现对老年人跌倒风险程度的评估。
附图说明
图1为本发明的方法流程示意图。
图2(a)为本发明基于真实样本集的案例评估效果示意图。
图2(b)为本发明基于真实样本集的案例评估效果示意图。
图2(c)为本发明基于真实样本集的案例评估效果示意图。
图2(d)为本发明基于真实样本集的案例评估效果示意图。
图2(e)为本发明基于真实样本集的案例评估效果示意图。
具体实施方式
如图1所示,一种老年人跌倒风险评估方法,包括如下步骤:
(1)数据准备;选取样本,采集样本老年人的步态足底压力数据和个人身体健康状况相关数据,并进行相应技术处理以用于模型分析;
(2)模型构建;构建老年人步态足底压力数据关于不同阶段均值函数的多元统计回归基础模型
yj(t)=β0+β1h1(t)+β2h2(t)+…+βmhm(t)+δjt+εjt
其中,t为时间变量,取值点的总个数为nj,yj(t)表示老年人第j次测量在某一时刻t的行走步态足底压力值,j=1,2,…,n,n表示总测量次数;ht(t),i=1,2,…,m表示老年人的步态足底压力分段均值函数,m是完成一次测量可划分的服务阶段;δjt表示老年人重复完成同一服务类型不同测量次数的步态足底压力之间的纵向误差;εjt表示老年人重复完成同一服务类型不同时刻之间的横向误差;模型的其余符号均为待估参数;
(3)参数范围估计;对两类误差作正态分布的假设,采用极大似然理论和改进的Powell优化算法将处理后的数据代入步态足底压力多元统计回归基础模型中,以此求解参数的合理范围,具体可以通过联立求解似然方程组得到:
其中,误差的分布假设为 和表示方差;表示联合分布,是均值函数,∑j是协方差矩阵;β,σ和τ是3类参数:βi,和的统称;表示1×nj的列向量,当i=0时,它是分量取值均为1的列向量;而当i=1,2,…,m时,它是分量取值为hi(t)的列向量;Vi表示其第i行第i列元素为1,其余元素均为0的nj×nj矩阵,j=1,2,…,n;
(4)跌倒风险评估;将待评估对象的参数估计值与参数的合理范围进行比较,如果待评估对象的参数超出合理范围,则该老年人的跌倒风险程度较高,否则跌倒风险程度较低。
本发明提出一种老年人跌倒风险评估方法,图2(a)-(e)为本发明基于真实样本集的案例评估效果示意图。本案例采集了66例样本,结合跌倒史及其他个人身体健康状况相关数据选取其中50例跌倒频率较低的样本作为训练集,其余样本作为测试集,该评估结果对应于跨越障碍物行走服务项目,具体的实施步骤为:
步骤1:数据准备。采集参与跨越障碍物行走服务项目的样本老年人的步态足底压力数据与个人身体健康状况相关数据,对样本进行编号,并对数据进行预处理。
进一步地,采集的步态足底压力数据包含对应样本完成跨越障碍物行走服务项目的行走步态足底压力数据;采集的个人身体健康状况相关数据包括个人基本信息(年龄、身高和体重等)、跌倒史、心理因素、疾病史、药物史和生活型态六大类;样本数据的初始技术处理包括对测量时间变量的归一化处理、对步态足底压力数据除以老年人自身的体重处理。
步骤2:模型构建。老年人每完成一次跨越障碍物行走服务项目的步态足底压力大致可以分为3段,分别为压力上升阶段、压力平稳波动阶段和压力下降阶段,分别对应于起步行走、跨越障碍物和行走停止3个服务阶段,这项服务来回重复测量两次。因此,基础模型中的m取值3,n取值4,从而根据基础模型给出对应于跨越障碍物行走服务项目的老年人步态足底压力的多元统计回归模型
yj(t)=β0+β1h1(t)+β2h2(t)+β3h3(t)+δjt+εjt
其中,t为时间变量,取值点的总个数为nj,yj(t)表示老年人第j次测量某一时刻t的行走步态足底压力值,j=1,2,3,4;hi(t),i=1,2,3表示老年人的步态足底压力分段均值函数;δjt表示老年人重复完成该服务项目不同测量次数的步态足底压力之间的纵向误差;εjt表示老年人重复完成该服务项目不同时刻之间的横向误差;模型的其余符号均为待估参数。通过对两类误差作正态分布的假设,可得到步态足底压力的分布结构
步骤3:参数范围估计。将预处理后的数据代入步态足底压力的多元统计回归模型,根据服务阶段的划分以及数据的分布结构可使用分段多项式函数或B样条基函数对模型中的均值函数进行定义,本案例选用的是3阶多项式函数,采用极大似然理论和改进的Powell优化算法求解参数的合理范围,具体可以通过联立求解以下似然方程组得到:
其中,误差的分布假设为 和表示方差;表示联合分布,是均值函数,∑j是协方差矩阵;β,σ和τ是3类参数:βi,和的统称;表示1×nj的列向量,当i=0时,它是分量取值均为1的列向量;而当i=1,2,3时,它是分量取值为hi(t)的列向量;Vi表示其第i行第i列元素为1,其余元素均为0的nj×nj矩阵,j=1,2,3,4;
结合跌倒史及其他个人身体健康状况相关数据选取跌倒频率较低的50例老年人作为训练样本集,对步态足底压力数据进行计算分析以得到模型参数的估计值,再根据参数估计值的均值和方差给出参数的合理范围,主要包括3类参数:βi,和
步骤4:跌倒风险评估。对测试集的16例待评估对象的三类模型参数进行估计,将每一例待评估对象的参数估计值与参数合理范围进行比较,如果估计值超出合理范围,则评估其跌倒风险程度较高,否则跌倒风险程度较低。图2(a)-(e)给出了其中5个样本的评估效果示意图,图中每个样本的步态足底压力分布曲线均包含5条曲线,横坐标表示时间变量,纵坐标表示步态足底压力,其中用星号突出时间点的曲线是所构建模型的数值仿真分布曲线,其余4条是原始数据经过预处理后绘制的步态足底压力分布曲线,数值结果表明编号30和56的样本的跌倒风险程度较其他3个样本高。
本发明从一个新的视角研究老年人跌倒风险评估方法,不再是对样本进行单独处理和分析,而是综合考虑了所有样本老年人的步态足底压力数据,研究老年人的步态足底压力所呈现出的分布结构,借助统计分析的理论和方法构建适用于各种跌倒风险评估服务项目的基础模型;研究方法具有普适性,并能够基于真实的步态足底压力样本数据和个人身体健康状况相关数据对模型进行验证分析,实现对老年人跌倒风险程度的评估。
Claims (4)
1.一种老年人跌倒风险评估方法,其特征在于,包括如下步骤:
(1)数据准备;选取样本,采集样本老年人的步态足底压力数据和个人身体健康状况相关数据,并进行初始技术处理以用于模型分析;样本数据的初始技术处理主要包括两项,一是对测量时间变量的归一化处理:将所有时间变量除以最大时间点以将时间范围统一划分到[0,1];二是将步态足底压力数据除以老年人自身的体重处理:为了消除因不同个体体重差异而产生的影响;
(2)模型构建;构建老年人步态足底压力数据关于不同阶段均值函数的多元统计回归基础模型
yj(t)=B0+B1h1(t)+B2h2(t)+…+Bmhm(t)+δjt+εjt
其中,t为时间变量,yj(t)表示老年人第j次测量在某一时刻t的行走步态足底压力值,j=1,2,…,n,n表示总测量次数;hi(t)表示老年人的步态足底压力分段均值函数,i=1,2,…,m,m是完成一次测量可划分的服务阶段;δjt表示老年人重复完成同一服务类型不同测量次数的步态足底压力之间的纵向随机波动误差;εjt表示老年人重复完成同一服务类型不同时刻之间的横向随机时间误差;Bi为待估参数,i=0,1,…,m;
(3)参数范围估计;对两类误差作正态分布的假设,将处理后的数据代入步态足底压力多元统计回归基础模型中,采用极大似然理论和改进的Powell优化算法,以此求解参数的合理范围,具体通过联立求解似然方程组得到:
其中,取值点的总个数为nj,误差的分布假设为 和表示方差;表示联合分布,是均值函数,∑j是协方差矩阵;β,σ和τ是3类参数:βi,和的统称;表示1×nj的列向量,当i=0时,它是分量取值均为1的列向量;而当i=1,2,…,m时,它是分量取值为hi(t)的列向量;Vi表示其第i行第i列元素为1,其余元素均为0的nj×nj矩阵,j=1,2,…,n;
根据具体服务类型可划分的服务阶段以及步态足底压力所呈现的分布结构选择相适应的曲线拟合函数对模型中不同阶段的均值函数进行定义,并结合跌倒史及其他个人身体健康状况相关数据选取跌倒频率较低的老年人作为训练样本集并利用参数的求解算法对步态足底压力数据进行计算分析以得到模型参数的估计值,再根据参数估计值的均值和方差给出参数的合理范围;
(4)跌倒风险评估;将待评估对象的参数估计值与参数的合理范围进行比较,如果待评估对象的参数超出合理范围,则该老年人的跌倒风险程度较高,否则跌倒风险程度较低。
2.如权利要求1所述的老年人跌倒风险评估方法,其特征在于,步骤(1)中,采集的步态足底压力数据包含对应样本重复完成老年人跌倒风险评估项目时的行走步态足底压力数据;采集的个人身体健康状况相关数据包括个人基本信息、跌倒史、心理因素、疾病史、药物史和生活型态六大类。
3.如权利要求1所述的老年人跌倒风险评估方法,其特征在于,步骤(1)中,老年人参与的跌倒风险评估项目包括坐下-站立-行走-转身、跨越障碍物行走、改变步行速度式行走三种服务类型。
4.如权利要求1所述的老年人跌倒风险评估方法,其特征在于,步骤(4)中,结合待评估对象的数据对其模型参数进行估计,将其参数估计值与根据训练样本集求出的参数合理范围进行比较,当存在参数超出合理范围时,即评估其跌倒风险程度较高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565390.XA CN110367991B (zh) | 2019-06-27 | 2019-06-27 | 一种老年人跌倒风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565390.XA CN110367991B (zh) | 2019-06-27 | 2019-06-27 | 一种老年人跌倒风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110367991A CN110367991A (zh) | 2019-10-25 |
CN110367991B true CN110367991B (zh) | 2022-03-08 |
Family
ID=68250986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565390.XA Active CN110367991B (zh) | 2019-06-27 | 2019-06-27 | 一种老年人跌倒风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110367991B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110842893B (zh) * | 2019-11-10 | 2021-12-03 | 北京机械设备研究所 | 搬运外骨骼步态判别方法、装置及系统 |
CN111631719B (zh) * | 2020-05-21 | 2023-08-11 | 北京城市系统工程研究中心 | 一种用于预测老年人跌倒风险的方法 |
CN112927474A (zh) * | 2021-01-21 | 2021-06-08 | 福建省立医院 | 基于生物力学监测老年人跌倒预警系统 |
CN113476040A (zh) * | 2021-08-12 | 2021-10-08 | 国家康复辅具研究中心 | 跌倒风险评估系统和方法 |
CN113887335B (zh) * | 2021-09-13 | 2024-04-02 | 华南理工大学 | 基于多尺度时空层级网络的跌倒风险实时评估系统和方法 |
CN115147768B (zh) * | 2022-07-28 | 2023-07-04 | 国家康复辅具研究中心 | 一种跌倒风险评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102670207A (zh) * | 2012-05-15 | 2012-09-19 | 北京大学 | 一种基于足底压力的步态分析方法 |
CN102930163A (zh) * | 2012-11-01 | 2013-02-13 | 北京理工大学 | 一种2型糖尿病风险状态判定方法 |
CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
CN106407498A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种摔倒风险模型的建立方法 |
CN107390866A (zh) * | 2017-07-03 | 2017-11-24 | 东南大学 | 基于足底压力的多人虚拟场景漫游控制方法及其控制装置 |
CN109662718A (zh) * | 2019-01-22 | 2019-04-23 | 北京城市系统工程研究中心 | 与老年人肌肉能力相关的运动功能评估系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016141380A1 (en) * | 2015-03-05 | 2016-09-09 | Shintaro Asano | Fall detector and alert system |
-
2019
- 2019-06-27 CN CN201910565390.XA patent/CN110367991B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102670207A (zh) * | 2012-05-15 | 2012-09-19 | 北京大学 | 一种基于足底压力的步态分析方法 |
CN102930163A (zh) * | 2012-11-01 | 2013-02-13 | 北京理工大学 | 一种2型糖尿病风险状态判定方法 |
CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
CN106407498A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种摔倒风险模型的建立方法 |
CN107390866A (zh) * | 2017-07-03 | 2017-11-24 | 东南大学 | 基于足底压力的多人虚拟场景漫游控制方法及其控制装置 |
CN109662718A (zh) * | 2019-01-22 | 2019-04-23 | 北京城市系统工程研究中心 | 与老年人肌肉能力相关的运动功能评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110367991A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110367991B (zh) | 一种老年人跌倒风险评估方法 | |
KR102107379B1 (ko) | 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 | |
CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
CN105101869A (zh) | 用于识别坐姿与站姿之间的转变的方法和装置 | |
CN113012815B (zh) | 一种基于多模态数据的帕金森健康风险评估方法 | |
WO2015158100A1 (zh) | 情感带宽测定及其情感损伤判别方法 | |
CN102930163A (zh) | 一种2型糖尿病风险状态判定方法 | |
Similä et al. | Accelerometry-based berg balance scale score estimation | |
CN110390565A (zh) | 通过ai边缘计算实现智能网关自适应管理的方法及系统 | |
EP2688006A2 (en) | A method for assessing cognitive function and predicting cognitive decline through quantitative assessment of the TUG test | |
CN110755085B (zh) | 基于关节活动度与运动协调性的运动功能评估方法及设备 | |
CN106618487A (zh) | 一种老年人平衡能力评定方法 | |
Benba et al. | Hybridization of best acoustic cues for detecting persons with Parkinson's disease | |
CN107066798A (zh) | 一种心脏健康质量预警系统及其预警方法 | |
Bet et al. | Foreseeing future falls with accelerometer features in active community-dwelling older persons with no recent history of falls | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
Huang et al. | Human behavior recognition based on motion data analysis | |
CN106407706A (zh) | 基于boruta算法的多层次老年人体能状态量化等级计算方法 | |
CN114171194B (zh) | 帕金森多症状量化评估方法、装置、电子设备、及介质 | |
CN113887335B (zh) | 基于多尺度时空层级网络的跌倒风险实时评估系统和方法 | |
Sett et al. | Are you in pain? Predicting pain and stiffness from wearable sensor activity data | |
JP6446379B2 (ja) | 重心動揺解析装置 | |
CN110755084B (zh) | 基于主被动、分阶段动作的运动功能评估方法及设备 | |
CN111209816B (zh) | 一种基于正则极限学习机的非接触式疲劳驾驶检测方法 | |
Chawan et al. | Person identification and tinetti score prediction using balance parameters: A machine learning approach to determine fall risk |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |