CN111631719B - 一种用于预测老年人跌倒风险的方法 - Google Patents

Abstract

本发明公开了一种用于预测老年人跌倒风险的方法,包括以下步骤：将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区。并将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；然后以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；再利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；最后将压力变化曲线输入足压预测模型，得到预测值。本发明具有数据测量精度高、特征指标多样和预测准确度好的特点。

Description

一种用于预测老年人跌倒风险的方法

技术领域

本发明涉及行为识别判断领域，特别是一种用于预测老年人跌倒风险的方法。

背景技术

步行是在人体多种器官及肌肉的协调配合下所共同完成的一项最基本最自然的运动形式，步行能力是老年人独立活动和实现生活自理的基本保障。而人体步行的主要执行单元为下肢，而下肢运动所牵扯的骨头中有28块来源于足部。因此行走过程中的足底压力包含了丰富的步态信息，常被用来研究特殊人群，如老年人的步态异常情况，继而实时评估老年人行走过程中的跌倒风险，为老年人跌倒预防和干预提供理论支持和实践指导。

目前对老年人跌倒风险评估常用的方法为观察法、量表法、测试法和仪器检测法，其中观察法需要测试人员具备相关的临床经验，且准确率较低。量表法和测试法在评定时容易受到人为因素干扰，只适合在临床实践中用作初步诊断，不适用于日常对老年人跌倒风险的预测和评估。而仪器检测法主要是借助足底压力测试平台，先由人工筛选特征作为检测因子，再通过测试平台记录人体行走时的特征数值，然后采用Logistic回归分析、支持向量机等传统机器学习方法，通过对特征数值进行技术得到检测结果。

但这种预测方式在特征选取时仅能够选取离散、单一的特征指标作为检测因子，并不足以概况整个步态或平衡过程，导致预测准确性较低；并且特征提取与后续分类器的选择在很多研究中是彼此独立的过程，无法根据分类的结果对特征和分类器同时优化，从而造成仪器检测法检测效率低、泛化能力差的问题。此外，利用足底压力测试平台检测得到的数据本身存在高纬度、高变异、多变量、时间依赖及非线性等特点，则进一步增加了对预测结果的分析难度。因此，现有对老年人跌倒风险的预测方法存在数据测量精度低、特征指标单一和预测准确度差的问题。

发明内容

本发明的目的在于，提供一种用于预测老年人跌倒风险的方法。它具有数据测量精度高、特征指标多样和预测准确度好的特点。

本发明的技术方案：一种用于预测老年人跌倒风险的方法，包括以下步骤：

①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；

②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；

③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；

④利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；

⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值。

前述的种用于预测老年人跌倒风险的方法中，所述步骤①中足底压力区域的具体划分方法包括以下步骤：

(1.1)依据Footscan足底压力平板测试系统将足底分为10个子区域，具体为：足后跟外侧区，足后跟内侧区，足中部区，第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区，第一跖骨区，第二至第五脚趾区和大踇趾区；

(1.2)将足后跟外侧区和足后跟内侧区合并后作为脚后跟区，将第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区和第一跖骨区合并后作为脚前掌区；足中部区、第二至第五脚趾区和大踇趾区保持不变。

前述的种用于预测老年人跌倒风险的方法中，所述步骤④中ConvLSTM预测模型的计算公式如下：

f_t＝σ(W_xf*x_t+W_hf*h_t-1+b_f)

i_t＝σ(W_xi*x_t+W_hi*h_t-1+b_i)

o_t＝σ(W_xo*x_t+W_ho*h_t-1+b_o)

h_t＝o_t ^οtanh(c_t)

其中i_t、f_t和o_t表示输入门、遗忘门和输出门，x_t为当前时刻的输入，h_t-1为前一时刻隐藏层的输出，c_t为单元状态，*代表卷积运算，ο代表Hadamard乘积。

前述的种用于预测老年人跌倒风险的方法中，所述步骤④中预测模型对单个样本的训练方式为：将任意一个样本表示为X＝{x1，x2，…，xL}，其中L为序列长度，xi为一个M维的向量，然后将X划分为N个子序列，则X＝{PT1，PT2，..，PTN}，每一个子序列Pti∈R^M×1表示为Pti＝{x1Ti,…，x1Ti}，其中1是每一个子序列的长度，x^k _Ti∈R^M代表第i个子序列在时间点k的取值，每个样本序列划分为子序列后的数据输入格式为(N，1，M)。

前述的种用于预测老年人跌倒风险的方法中，所述步骤④中深度神经网络模型的训练方法包括以下步骤：

(4.1)以不同受试者作为训练集，对受试者进行动态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组、低跌倒风险组和测试结果不明确组；

(4.2)对测试结果不明确组的受试者进行静态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组和低跌倒风险组；

(4.3)以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；

(4.4)以步骤(4.1)和(4.2)中的测试结果为依据，将步骤(4.3)中得到的压力变化曲线输入深度神经网络模型中，采用监督模式对深度神经网络模型进行训练，随机初始化模型权值，学习率选取10^-3，以最小化交叉熵损失函数为目标，并选用Adam优化算法进行权值的优化，得到最优预测模型。

前述的种用于预测老年人跌倒风险的方法中，所述步骤③中Footscan足底压力平板测试系统在检测时，对受试者的单足单变量、单足多变量和多足多变量进行检测；其中单足单变量为单只脚在某一足底压力区域的压力变化数据，单足多变量为单只脚在多个足底压力区域的压力变化数据，多足多变量为双脚在多个足底压力区域的压力变化数据。

与现有技术相比，本发明具有以下优点：

(1)本发明通过由卷积神经网络和循环神经网络结合而成的深度神经网络模型，可以通过多卷积核分别用于捕捉数据不同层面的局部空间特征，并通过权值共享机制减少模型训练参数的个数，提高运行效率，而循环神经网络善于处理时间序列中的长时依赖和非线性动态变化；从而使深度神经网络模型能够即考虑到足底压力区域压力分布的空间特性，又考虑到压力分布随时间变化的动态特性，使其能够从原始数据中主动学习到具有识别力的特征，达到更加精准的预测效果；

(2)在深度神经网络模型的基础上，本发明通过对不同足底压力区域的压力数据和与地面的接触时间进行检测，使本发明经足底压力测试后能够得到丰富、完善的数据变量，而将该数据输入深度神经网络模型，则能够使深度神经网络模型从较为完整的原始数据中进行特征提取和筛选，从而得到最具有代表性的特征集进行预测，相比人工筛选特征的方式有效提高对特征的提取精度并减少单一特征因高变异、非线性的特性造成的预测结果偏差，从而本发明的特征指标多样性和数据测量精度；

(3)本发明在对足底压力进行检测时，通过对足底压力区域进行重新划分，并将压力接触时间区分为多个支撑相，从而能够对足底压力测试的检测数据进行分类，将足底压力和惯性传感器检测到的繁复的数据变量进行简化，在保证预测准确度的同时减少深度神经网络模型所需的计算量，方便深度神经网络对样本的分类，从而提高本发明的检测效率；

(4)本发明通过足底压力区域和支撑相作为检测因子，还可以分别得到受试者的单足单变量、单足多变量和多足多变量的检测数据，从而进一步完善了对特征指标的选取，并使各检测数据能够在深度神经网络模型的训练和预测中相互关联且互为补充，从而减少高变异、非线性的单一特征对预测效果造成的偏差，并使复杂的时间和空间特征中呈现出明显的规律性差异，进一步提高本发明的数据测量精度高和预测准确度；

(5)本发明在上述检测数据的基础上，进一步优化了深度神经网络模型的计算公式和对样本的训练过程，使深度神经网络模型的计算方式能够和测试得到的检测数据相互适应，从而进一步提高深度神经网络模型的检测效率和预测准确度；

(6)在上述效果的相互配合下，使本发明能够免去人工筛选特征的过程，利用深度神经网络模型在原始数据的基础上筛选出合适的特征进行预测，从原始数据输入和最终结果输出的端到端学习，避免了人工选取特征时造成的主观性和经验要求，提高了本发明的预测准确度；以足底压力区域和支撑相作为依据得到检测数据，并通过深度神经网络模型进行计算的方式，使本发明能够从时间和空间特征进行筛选，完善了对特征变量的选取范围，并使其能够相互关联，进一步提高了深度神经网络模型的预测准确度；

所以，本发明具有数据测量精度高、特征指标多样和预测准确度好的特点。

附图说明

图1是足底压力区域的分布示意图；

图2是平板测试系统的足底子区域分布图；

图3是支撑相的时相划分示意图；

图4是深度神经网络模型的内部结构示意图；

图5是深度神经网络模型中单个样本的训练过程示意图；

图6是受试者的足中部区压力变化曲线图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例。一种用于预测老年人跌倒风险的方法，包括以下步骤：

①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；

②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；

③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；

④利用卷积神经网络(CNN)和循环神经网络(LSTM)构建深度神经网络模型(ConvLSTM预测模型)，使循环神经网络中的全连接结构改进为卷积结构，其内部结构如图4所示，并对该预测模型进行训练，选取最优预测模型为足压预测模型；

⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值。

所述步骤①中足底压力区域，构成如图1所示，的具体划分方法包括以下步骤：

(1.1)依据Footscan足底压力平板测试系统将足底分为10个子区域，构成如图2所示，具体为：足后跟外侧区HL，足后跟内侧区HM，足中部区MF，第五跖骨区M5，第四跖骨区M4，第三跖骨区M3，第二跖骨区M2，第一跖骨区M1，第二至第五脚趾区T2-5和大踇趾区T1；

(1.2)将足后跟外侧区HL和足后跟内侧区HM合并后作为脚后跟区RF，将第五跖骨区M5，第四跖骨区M4，第三跖骨区M3，第二跖骨区M2和第一跖骨区M1合并后作为脚前掌区FF；足中部区MF、第二至第五脚趾区T2-5和大踇趾区T1保持不变。

所述支撑相的时相划分，如图3所示(其中a为初始接触段，b为初始跖骨触地段，c为初始前足扁平段，d为足跟离地段，e为最后接触段)，其中初始接触段为足底初始触地时间至跖骨初始触地时间，初始跖骨触地段为跖骨初始触地时间至脚前掌区初始触地时间，初始前足扁平段为脚前掌区初始触地时间，足跟离地段为脚前掌区初始触地时间至脚后跟区离地时间，最后接触段为脚后跟区离地时间至足底完全离地时间。

所述步骤④中深度神经网络模型的计算公式如下：

f_t＝σ(W_xf*x_t+W_hf*h_t-1+b_f)

i_t＝σ(W_xi*x_t+W_hi*h_t-1+b_i)

o_t＝σ(W_xo*x_t+W_ho*h_t-1+b_o)

h_t＝o_t ^οtanh(c_t)

其中i_t、f_t和o_t表示输入门、遗忘门和输出门，x_t为当前时刻的输入，h_t-1为前一时刻隐藏层的输出，c_t为单元状态，*代表卷积运算，ο代表Hadamard乘积。

所述深度神经网络模型的单个样本训练过程，如图5所示，将任意一个样本表示为X＝{x1，x2，…，xL}，其中L为序列长度，xi为一个M维的向量，然后将X划分为N个子序列，则X＝{PT1，PT2，..，PTN}，每一个子序列Pti∈R^M×1表示为Pti＝{x1Ti，…，x1Ti}，其中1是每一个子序列的长度，x^k _Ti∈R^M代表第i个子序列在时间点k的取值，每个样本序列划分为子序列后的数据输入格式为(N，1，M)。。

所述步骤④中深度神经网络模型的训练方法包括以下步骤：

(4.1)以不同受试者作为训练集，对受试者进行动态平衡能力测试，该动态平衡能力测试为“起立-行走”计时测试，测试结果小于20s的老年人归为低跌倒风险组，测试结果大于等于30s的老年人归为高跌倒风险组，测试结果在20～30s的老年人归为测试结果不明确组；

(4.2)利用平衡测试仪对测试结果不明确组的受试者进行静态平衡能力测试，具体测试方法是由人体站在所述测试平台后，分别保持五种不同的站立姿势，包括双足着地睁眼站立、双足着地闭眼站立、左足着地睁眼站立、右足着地睁眼站立及左右足一前一后睁眼站立，且每一种姿势保持10s；期间，测试平台的压力传感器接收到人体压力信号后，通过数据传输接口将人体重心动摇信号传输至计算机专用软件中进行进一步分析；测试软件结合个人身高等参数，计算出人体重心动摇速度、平均动摇角度、重心分布情况等指标，最后进行综合评分，分数为百分制，并将平衡能力分为优、良、正常、偏弱、弱五个等级；得分在60分以上的老人划分为低跌倒风险组，60分以下的老年人划分为高跌倒风险组；

(4.3)以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线，其中足中部区压力变化曲线如图6所示(图6左为左脚的压力变化曲线图，图6右为右脚的压力变化曲线图；图中实线为低跌倒风险组老年人，虚线为高跌倒风险组老年人)；

(4.4)以步骤(4.1)和(4.2)中的测试结果为依据，将步骤(4.3)中得到的压力变化曲线输入深度神经网络模型中，采用监督模式对深度神经网络模型进行训练，随机初始化模型权值，学习率选取10^-3，以最小化交叉熵损失函数为目标，并选用Adam优化算法进行权值的优化，得到最优预测模型。

所述步骤(4.4)中深度神经网络模型在训练时的模型超参数设置及模型各层数据输出格式如表1所示：

表1模型各层输出格式及超参数设置

所述步骤③中Footscan足底压力平板测试系统在检测时，对受试者的单足单变量、单足多变量和多足多变量进行检测；其中单足单变量为单只脚在某一足底压力区域的压力变化数据，单足多变量为单只脚在多个足底压力区域的压力变化数据，多足多变量为双脚在多个足底压力区域的压力变化数据。

本发明的工作原理：本发明依据卷积神经网络和循环神经网络的特性，对其相互结合后构建深度神经网络模型；通过该模型可以从大量的原始数据中进行特征提取和筛选，从而得到一个最具有代表性的特征集进行预测；相比传统的学习模型能够适应足底压力测试中高纬度、多变量和非线性的数据特征，有效避免单一特征在作为预测因子时的预测偏差，提高了本发明的预测精准度。在此基础上，本发明改进了足底压力测试时的选取特征，通过足底压力区域进行划分，并检测各足底压力区域在不同支撑相时的受力情况，使得到的检测数据能够即具有不同足区压力分布的空间特性，又具有压力分布随不同时间变化的动态特性；从而使检测得到的指标能够具有多样化、高完整性的特点，使深度神经网络模型在计算时能够减少部分高变异、非线性数据对预测结果造成的影响，提高本发明的检测准确度和客观性。通过在足底压力测试时对受试者的单足单变量、单足多变量和多足多变量的数据进行检测，还可以使各部分的检测数据在模型计算时相互关联互补，从而进一步提高检测数据的规律性，减少部分差异性数据造成的影响。本发明是从原始数据输入到最终结果输出的端到端学习，相比传统的预测方法减少了人工筛选特征的过程，并避免了人工在选取特征时所需具备的本领域知识和经验，提高了本发明的预测效率并具有良好的泛用性。

实验例：本实验例采集85例样本，按照8：2的比例划分训练集和测试集，其中训练集包含样本68人，高跌倒风险37人，低跌倒风险31人；测试集包含17人，高跌倒风险9人，低跌倒风险8人。每一个样本的序列长度为416，变量数为18，训练集共包含28288条足压信号记录，测试集最终包含7072条足压信号记录。然后分别将数据输入本发明的深度神经网络模型(ConvLSTM)和常规的DTW-KNN计算模型中，通过上述两种预测模型对训练集和测试集的单足单变量，单足多变量和双足多变量数据进行预测和分类。分类结果如表2-4所示：

表2不同算法对单足单变量的分类结果

表2为ConvLSTM算法和DTW-KNN算法在单足单变量模型中分类结果。从表2中可以看出，ConvLSTM算法在足跟区域和足底压力上的分类敏感性和准确率高于DTW-KNN算法。

表3不同算法对单足多变量的分类结果

表3为ConvLSTM算法和DTW-KNN算法在单足多变量模型中分类结果。从表2中可以看出，相比于表2的单足变量模型，单足多变量模型的分类性能并无显著提升，而ConvLSTM模型在三种不同变量组合中的分类性能普遍优于DTW-KNN，尤其在足跟部位表现出明显的优势。另外，单脚足跟区的分类敏感性、特异性和准确率普遍高于趾骨区和全部足区，可以说明当全部足区的数据变量加入足中和部分趾骨区的压力数据后，这部分区域在不同跌倒风险的老年人群中的差异不是很明显，不利于分类模型的识别，信息的冗余对模型的分类造成了干扰，而本发明所用的ConvLSTM算法能够有效减少相似数据造成的干扰，提高对数据的预测准确度。

表4不同算法对双足多变量的分类结果

表4为ConvLSTM算法和DTW-KNN算法在多足多变量模型中分类结果。ConvLSTM模型在全区足压数据的分类敏感性达到94％，优于只用足底总压力数据或部分区域压力数据所建立的模型。但与之相反的是，DTW-KNN模型对这部分组合数据的识别能力却特别差，敏感性和准确率在60％～75％之间，甚至不如单变量模型的分类效果。由此可见，常规的DTW-KNN算法在对多种数据变量的预测过程中，由于没有考虑变量之间的相关关系，从而当模型变量维数增多时，对DTW-KNN算法搜索最佳匹配路径造成了挑战，反而降低了DTW-KNN算法的预测准确率。而本发明所用的ConvLSTM模型在预测时，通过增加模型变量的维数，可以使各模型变量之间相互关联补充，从而减少单类数据造成偏差,提高本发明的预测准确率。

Claims (1)

1.一种用于预测老年人跌倒风险的方法，其特征在于，包括以下步骤：

①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；

②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；

③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；

④利用卷积神经网络和循环神经网络构建深度神经网络模型，并对深度神经网络模型进行训练，选取最优深度神经网络模型为足压预测模型；

⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值；

所述步骤①中足底压力区域的具体划分方法包括以下步骤：

(1.1)依据Footscan足底压力平板测试系统将足底分为10个子区域，具体为：足后跟外侧区，足后跟内侧区，足中部区，第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区，第一跖骨区，第二至第五脚趾区和大踇趾区；

(1.2)将足后跟外侧区和足后跟内侧区合并后作为脚后跟区，将第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区和第一跖骨区合并后作为脚前掌区；足中部区、第二至第五脚趾区和大踇趾区保持不变；

所述步骤④中深度神经网络模型的计算公式如下：

f_t＝σ(W_xf*x_t+W_hf*h_t-1+b_f)

i_t＝σ(W_xi*x_t+W_hi*h_t-1+b_i)

o_t＝σ(W_xo*x_t+W_ho*h_t-1+b_o)

其中i_t、f_t和o_t表示输入门、遗忘门和输出门，x_t为当前时刻的输入，h_t-1为前一时刻隐藏层的输出，c_t为单元状态，*代表卷积运算，代表Hadamard乘积；

所述步骤④中深度神经网络模型对单个样本的训练方式为：将任意一个样本表示为X＝{x₁,x₂,…,x_L}，其中L为序列长度，x_i为一个M维的向量，然后将X划分为N个子序列，则X＝{P_T1,P_T2,..,P_TN}，每一个子序列P_Ti∈R^M×1表示为P_Ti＝{x¹ _Ti,…,x¹ _Ti}，其中1是每一个子序列的长度，x^k _Ti∈R^M代表第i个子序列在时间点k的取值，每个样本序列划分为子序列后的数据输入格式为(N，1，M)；

所述步骤④中深度神经网络模型的训练方法包括以下步骤：

(4.1)以不同受试者作为训练集，对受试者进行动态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组、低跌倒风险组和测试结果不明确组；

(4.2)对测试结果不明确组的受试者进行静态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组和低跌倒风险组；

(4.3)以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；

(4.4)以步骤(4.1)和(4.2)中的测试结果为依据，将步骤(4.3)中得到的压力变化曲线输入深度神经网络模型中，采用监督模式对深度神经网络模型进行训练，随机初始化模型权值，学习率选取10^-3，以最小化交叉熵损失函数为目标，并选用Adam优化算法进行权值的优化，得到最优深度神经网络模型；

所述步骤③中Footscan足底压力平板测试系统在检测时，对受试者的单足单变量、单足多变量和多足多变量进行检测；其中单足单变量为单只脚在某一足底压力区域的压力变化数据，单足多变量为单只脚在多个足底压力区域的压力变化数据，多足多变量为双脚在多个足底压力区域的压力变化数据。