CN113869090A - 一种跌倒风险评估方法及装置 - Google Patents

一种跌倒风险评估方法及装置 Download PDF

Info

Publication number
CN113869090A
CN113869090A CN202010619497.0A CN202010619497A CN113869090A CN 113869090 A CN113869090 A CN 113869090A CN 202010619497 A CN202010619497 A CN 202010619497A CN 113869090 A CN113869090 A CN 113869090A
Authority
CN
China
Prior art keywords
motion
finger
video data
evaluated person
fall risk
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
Application number
CN202010619497.0A
Other languages
English (en)
Inventor
马健
张盼
李媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN202010619497.0A priority Critical patent/CN113869090A/zh
Publication of CN113869090A publication Critical patent/CN113869090A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种跌倒风险评估方法及装置，涉及数据处理技术领域，以解决现有的跌倒风险评估方法比较复杂的问题。该方法包括：训练用于预测跌倒风险的机器学习预测模型；采集被评估者的运动视频数据，利用所述被评估者的运动视频数据，生成所述被评估者的身体运动相关属性；采集所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。本发明实施例可简化跌倒风险评估的过程，并提高跌倒风险预测的准确性。

Description

一种跌倒风险评估方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种跌倒风险评估方法及装置。
背景技术
随着世界人口老龄化的加剧，老年人的日常护理称为一个重大的社会需求。衰老和疾病给老年人的运动机能带来了衰退，老年人的跌倒风险在增加，跌倒风险威胁着老年人，由跌倒导致的社会成本和疾病负担越来越重。及时地预测老年人的跌倒风险对有效护理十分关键，可以使护理人员尽早干预，保障被护理者的安全，从而提高老年人的生活质量。
跌倒风险评估是应对跌倒风险的有效手段之一。目前临床使用的跌倒风险方法有很多种，包括TUG(Timed Up and Go Test，起立行走测试)、POMA(Performance-OrientedMobility Assessment，流动性评估试验)等。尽管跌倒风险评估方法得到了广泛采用，但其仍显得过于复杂，在很多情况下使用不便。因此，迫切需要一种简易的跌倒风险评估方法。
发明内容
本发明实施例提供一种跌倒风险评估方法及装置，以解决现有的跌倒风险评估方法比较复杂的问题。
第一方面，本发明实施例提供了一种跌倒风险评估方法，包括：
训练用于预测跌倒风险的机器学习预测模型；
采集被评估者的运动视频数据，利用所述被评估者的运动视频数据，生成所述被评估者的身体运动相关属性；
采集所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
此外，根据本发明的至少一个实施例，所述训练用于预测跌倒风险的机器学习预测模型的步骤，包括：
采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；
利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；
采集所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
此外，根据本发明的至少一个实施例，所述采集被评估者的运动视频数据，包括：
采集所述被评估者的二维运动视频数据和三维运动视频数据。
此外，根据本发明的至少一个实施例，所述利用所述运动视频数据，生成被评估者的身体运动相关属性，包括：
利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性；
计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
此外，根据本发明的至少一个实施例，所述身体运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
此外，根据本发明的至少一个实施例，所述手指动作相关属性包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
此外，根据本发明的至少一个实施例，所述跌倒风险评估分数值包括以下任意一种：起立行走测试TUG，流动性评估试验POMA。
第二方面，本发明实施例提供了一种跌倒风险评估装置，包括：
训练模块，用于训练用于预测跌倒风险的机器学习预测模型；
采集模块，用于采集被评估者的运动视频数据以及手指动作数据；
生成模块，用于利用所述运动视频数据，生成所述被评估者的身体运动相关属性；以及，利用所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
处理模块，用于将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
此外，根据本发明的至少一个实施例，所述训练模块包括：
采集子模块，用于采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；以及，采集所述预定用户的手指动作数据；
生成子模块，用于利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；以及，利用所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
选择子模块，用于基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
训练子模块，用于利用所述训练数据集训练所述机器学习预测模型。
此外，根据本发明的至少一个实施例，所述采集模块具体用于，采集所述被评估者的二维运动视频数据和三维运动视频数据，以及手指动作数据。
此外，根据本发明的至少一个实施例，所述生成模块包括：
第一估计子模块，用于利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
第二估计子模块，用于利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
获取子模块，用于利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
第一计算子模块，用于利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性；
第二计算子模块，用于计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
此外，根据本发明的至少一个实施例，所述身体运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
此外，根据本发明的至少一个实施例，所述手指动作相关属性包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
此外，根据本发明的至少一个实施例，所述跌倒风险评估分数值包括以下任意一种：TUG，POMA。
在本发明实施例中，采集被评估者日常生活活动的运动视频数据以及手指动作数据，并生成身体运动相关属性和手指动作相关属性。然后，将身体运动相关属性和手指动作相关属性作为训练好的机器学习预测模型的输入，从而可获得评估者的跌倒风险评估分数值。在本发明实施例中，无需被评估者刻意的做某些跌倒风险评估所需的动作，而只根据对其正常生活所采集的运动视频数据即可对其进行跌倒风险评估。因此，利用本发明实施例的方案，简化了跌倒风险评估的过程。被评估者的手指动作能力，能够反映出被评估者的肢体协调能力，进而可以影响到跌倒风险的大小，本发明实施例在预测模型训练和应用时引入了手指动作相关属性，据此训练得到的预测模型具有更好的预测准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的跌倒风险评估系统的示意图；
图2是本发明实施例提供的跌倒风险评估方法的流程图之一；
图3是本发明实施例提供的训练机器学习预测模型的流程图；
图4是本发明实施例提供的利用运动视频数据生成运动相关属性的流程图；
图5是本发明实施例提供的跌倒风险评估方法的流程图之二；
图6是本发明实施例提供的跌倒风险评估装置的结构图之一；
图7是本发明实施例提供的跌倒风险评估装置中训练模块的结构图；
图8是本发明实施例提供的跌倒风险评估装置中生成模块的结构图；
图9是本发明实施例提供的跌倒风险评估装置的结构图之二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的跌倒风险评估系统的示意图。如图1所示，所述系统包括：视频分析处理模块11和机器学习模块12。
其中，视频分析处理模块11包括：
视频数据采集模块110，包括二维和三维摄像头，用于采集用户的日常活动行为的运动视频数据，以及，采集用户的手指动作数据；所述用户可以包括本文中所述的预定用户和被评估者等。
视频数据处理和分析模块111，用于处理视频数据采集模块110产生的运动视频数据，进而生成包含三维信息的人体姿态序列数据，以及，处理视频数据采集模块110产生的手指动作数据，进而生成用户的手指动作相关属性。该模块包含人体姿态估计功能和基于立体视觉的视频深度图生成功能。
用户行为属性生成模块112，用于将视频数据处理和分析模块111生成的包含三维信息的人体姿态序列数据转化为身体运动相关属性；以及，将用户的身体运动相关属性和手指动作相关属性的组合，作为所述用户的用户行为属性。
其中，机器学习模块12包括：
跌倒风险预测模型训练模块121，用于利用跌倒风险评估分数值、用户行为属性生成模块112生成的用户行为属性，训练机器学习预测模型。在实际应用中，本模块可实现一种或多种机器学习预测模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等，以及它们的集成(Ensemble)方式。同时，该模块包含Copula熵的估计功能和基于Copula熵的特征选择功能。本模块包含特征选择—模型训练—模型保存的流水线过程。
跌倒风险预测模型应用模块122，用于调用视频数据采集模块110采集被评估者的日常运动视频数据以及手指动作数据，再调用视频数据处理和分析模块111和用户行为属性生成模块112，将视频数据转换为身体运动相关属性以及手指动作相关属性。最后，将得到的身体运动相关属性以及手指动作相关属性输入到跌倒风险预测模型训练模块121训练好的预测模型中，输出跌倒风险评估分值。
参见图2，图2是本发明实施例提供的跌倒风险评估方法的流程图，如图2所示，包括以下步骤：
步骤201、训练用于预测跌倒风险的机器学习预测模型。
如图3所示，训练机器学习预测模型可包括如下过程：
步骤2011、采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值。
其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户。所述第一数量和第二数量可根据需要设置。
在实际应用中，采集一组足够数量且具有代表性的健康人和具有跌倒风险的人的日常生活活动的运动视频数据，并将该数据用于训练一个或多个机器学习预测模型。采集数据后，被采集者进行跌倒风险评估测试，获取跌倒风险评估分数值。
步骤2012、利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性。
在所述预定用户的运动视频数据的基础上生成运动相关属性。所述运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
步骤2013、采集所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性。
这里，所述手指动作数据可以是通过视频方式采集的手指动作的视频数据，也可以通过其他运动传感器采集的运动数据。所述手指动作相关属性具体可以包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
基于步骤2012和步骤2013，在此，可将每位被采集者的身体运动相关属性、手指动作相关属性和跌倒风险评估分数值配对，得到原始数据集。
步骤2014、基于Copula熵的特征选择技术，从原始数据集中选择训练数据集。
所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合。
Copula熵概念的定义借助于Copula理论。Copula理论是关于随机变量之间相关性的理论。通常的相关性是包含在随机变量的联合分布函数的参数之中，如高斯函数的相关矩阵就表示了高斯变量之间的相关性特征。Copula理论给出了一种表示所有随机变量之间相关性的理论框架。根据该理论，任一个联合分布都一个表示为以随机变量的边缘函数为自变量的某种函数的形式，此种函数就称为Copula函数。因此，Copula熵可以用来衡量任意类型的随机变量之间的全阶次相关性。
对于原始数据集中的每个用户行为属性(包括身体运动相关属性和手指动作相关属性)和对应的原始跌倒风险评估分数值，计算它们之间的Copula熵值，并依据Copula熵值来对相关属性(这里，所述相关属性包括身体运动相关属性和手指动作相关属性)的重要性进行排序。Copula熵值越高属性越重要。对应的Copula熵值显著性高的相关属性被选择作为机器学习预测模型的输入。其中，Copula熵的估计可以采用如下两步非参数法来完成：步骤一，从样本数据集估计经验Copula密度函数；步骤二，利用k近邻的熵估计方法从经验Copula密度函数数据估计Copula熵。根据具体场景，这里可以选择Copula熵值显著性最高的预设数量的相关属性作为机器学习预测模型的输入，或者，选择Copula熵值大于某个门限的相关属性作为机器学习预测模型的输入，这里，所述预设数量和门限可以根据训练需要进行动态调整。
那么，经过上述选择，可得到Copula熵值显著性高的相关属性和其对应的原始跌倒风险评估分数值，并组成训练数据集。所述训练数据集用来训练一个或者多个机器学习预测模型。通过Copula熵的特征选择技术获得的训练数据集，可使得最终获得的跌倒风险评估结果更为准确，获得的机器学习预测模型更符合实际的需求，具有可解释性。另外，由于模型训练中引入了手指动作相关属性，能够反映出用户的肢体动作的协调能力，从而可以提高模型预测跌倒风险的准确性。
步骤2015、利用所述训练数据集训练所述机器学习预测模型。
将基于Copula熵特征选择得到的用户行为属性和跌倒风险评估分数值配对，得到训练数据集。利用训练数据集来训练一种或多种机器学习预测模型。
在本发明实施例中，所述机器学习预测模型并不限定为某种特定的模型，包括但不限于为常见的机器学习回归模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等，以及它们的集成(Ensemble)方式。在此，机器学习预测模型模型可以选择模型复杂度和预测能力较为平衡的模型，如支持向量机。这里的模型可以选择模型复杂度和预测能力较为平衡的模型，如支持向量机。
步骤202、采集被评估者的运动视频数据，利用所述被评估者的运动视频数据，生成所述被评估者的身体运动相关属性。
在本发明实施例中，主要是采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。例如，可分别利用二维和三维摄像头采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
如图4所示，利用运动视频数据生成身体运动相关属性可包括如下过程：
步骤2021、利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息。具体的，利用机器视觉的运动骨架分析技术，跟踪当被评估者在摄像头下进行日常生活运动时的人体主要关节运动，得到相应的二维人体姿态的估计。
其中，每个视频片段的长度可任意设置，例如设置为2s等。
步骤2022、利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息。
步骤2023、利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息。
步骤2024、利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性。
其中，所述身体运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
步骤2025、计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
步骤204、将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
在本发明实施例中，所述跌倒风险评估分数值包括以下任意一种：TUG，POMA。
利用训练数据集来训练一种或多种机器学习预测模型。在本发明实施例中，所述机器学习预测模型并不限定为某种特定的模型，包括但不限于为常见的机器学习回归模型，如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等，以及它们的集成(Ensemble)方式。在此，机器学习预测模型模型可以选择模型复杂度和预测能力较为平衡的模型，如支持向量机。
在本发明实施例的实施过程中，采集训练数据时的运动视频数据以及手指动作数据，与应用本评估方法评估时的相关视频数据的采集方式应尽量相同，视频持续时间一般应持续一段时间，以充分反映被评估者的运动能力情况。
在本发明实施例中，采集被评估者日常生活活动的身体运动视频数据和手指动作数据，并生成包括身体运动相关属性和手指动作相关属性在内的用户行为属性。然后，将用户行为属性作为训练好的机器学习预测模型的输入，从而可获得评估者的跌倒风险评估分数值。在本发明实施例中，无需被评估者刻意的做某些跌倒风险评估所需的动作，而只根据对其正常生活所采集的视频数据即可对其进行跌倒风险评估。因此，利用本发明实施例的方案，简化了跌倒风险评估的过程。同时，利用本发明实施例的方案，由于仅是采集被评估者的日常生活活动数据，因此，对被评估者的干扰少。另外，由于在模型训练和预测中引入了用户的手指动作相关属性，从而充分考虑了用户的肢体行为能力，可以提高模型预测的准确性。
参见图5，图5是本发明实施例提供的跌倒风险评估方法的流程图，如图5所示，包括以下步骤：
步骤501、采集被评估者的视频运动数据和手指动作数据。
通过视频采集手段，将采集到的被评估者的日常运动的视频运动数据和手指动作数据输入到本发明实施例所述的系统中。
步骤502、将所述视频运动数据和手指动作数据输入到机器学习预测模型中，输出跌倒风险评估分值。
步骤503、医护人员根据跌倒风险评估分值和临床建议的该类风险评估分阈值，对被评估对象的跌倒风险状况做出判断。
在此应用的实施过程中，视频采集设备和风险预测流程的实现可以集成到同一计算设备中实现，也可分开布置，通过网络等数据传输设备相连，即数据采集在评估现场，应用流程在远端服务器实现，运动相关属性通过网络传到远端服务器的风险预测流程实现系统。
参见图6，图6是本发明实施例提供的跌倒风险评估装置的结构图，如图6所示，跌倒风险评估装置600包括：
训练模块601，用于训练用于预测跌倒风险的机器学习预测模型；
采集模块602，用于采集被评估者的运动视频数据以及手指动作数据；
生成模块603，用于利用所述运动视频数据，生成所述被评估者的身体运动相关属性；以及，利用所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
处理模块604，用于将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
可选的，如图7所示，所述训练模块601包括：
采集子模块6011，用于用于采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；以及，采集所述预定用户的手指动作数据；
生成子模块6012，用于利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；以及，利用所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
选择子模块6013，用于基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
训练子模块6014，用于利用所述训练数据集训练所述机器学习预测模型。
可选的，所述采集模块602具体用于，采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
可选的，如图8所示，所述生成模块603包括：
第一估计子模块6031，用于利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
第二估计子模块6032，用于利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
获取子模块6033，用于利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
第一计算子模块6034，用于利用所述三维姿态信息计算所述每个视频片段的运动相关属性；
第二计算子模块6035，用于计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
可选的，所述运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
可选的，所述跌倒风险评估分数值包括以下任意一种：TUG，POMA。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
如图9所示，为本发明实施例的跌倒风险评估装置的示意图，包括：处理器901、网络接口902、存储器903、用户接口904和总线接口，其中：
在本发明实施例中，跌倒风险评估装置900还包括：存储在存储器上903并可在处理器901上运行的计算机程序，所述计算机程序被处理器901执行时实现如下步骤：
训练用于预测跌倒风险的机器学习预测模型；
采集被评估者的运动视频数据，利用所述被评估者的运动视频数据，生成所述被评估者的身体运动相关属性；
采集所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
在图9中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器901代表的一个或多个处理器和存储器903代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。网络接口902可以是有线或无线网卡设备，实现数据在网络上的收发功能。针对不同的用户设备，用户接口904还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器901负责管理总线架构和通常的处理，存储器903可以存储处理器901在执行操作时所使用的数据。
可选的，所述计算机程序被处理器903执行时还可实现如下步骤：
采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；
利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；
采集所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
可选的，所述计算机程序被处理器903执行时还可实现如下步骤：
采集所述被评估者的二维运动视频数据和三维运动视频数据。
可选的，所述计算机程序被处理器903执行时还可实现如下步骤：
利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性；
计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
可选的，所述运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
可选的，所述手指动作相关属性包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
可选的，所述跌倒风险评估分数值包括以下任意一种：TUG，POMA。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法实施例中的跌倒风险评估方法中的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种跌倒风险评估方法，其特征在于，包括：
训练用于预测跌倒风险的机器学习预测模型；
采集被评估者的运动视频数据，利用所述被评估者的运动视频数据，生成所述被评估者的身体运动相关属性；
采集所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
2.根据权利要求1所述的方法，其特征在于，所述训练用于预测跌倒风险的机器学习预测模型的步骤，包括：
采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；
利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；
采集所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
利用所述训练数据集训练所述机器学习预测模型。
3.根据权利要求1所述的方法，其特征在于，所述采集被评估者的运动视频数据，包括：
采集所述被评估者的二维运动视频数据和三维运动视频数据。
4.根据权利要求3所述的方法，其特征在于，所述利用所述运动视频数据，生成被评估者的身体运动相关属性，包括：
利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性；
计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
5.根据权利要求1所述的方法，其特征在于，所述身体运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
6.根据权利要求1所述的方法，其特征在于，所述手指动作相关属性包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
7.根据权利要求1所述的方法，其特征在于，所述跌倒风险评估分数值包括以下任意一种：起立行走测试TUG，流动性评估试验POMA。
8.一种跌倒风险评估装置，其特征在于，包括：
训练模块，用于训练用于预测跌倒风险的机器学习预测模型；
采集模块，用于采集被评估者的运动视频数据以及手指动作数据；
生成模块，用于利用所述运动视频数据，生成所述被评估者的身体运动相关属性；以及，利用所述被评估者的手指动作数据，生成所述被评估者的手指动作相关属性；
处理模块，用于将所述被评估者的身体运动相关属性和手指动作相关属性作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述被评估者的跌倒风险评估分数值。
9.根据权利要求8所述的装置，其特征在于，所述训练模块包括：
采集子模块，用于采集预定用户的运动视频数据，得到所述预定用户的跌倒风险评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户；以及，采集所述预定用户的手指动作数据；
生成子模块，用于利用所述预定用户的运动视频数据，生成所述预定用户的身体运动相关属性；以及，利用所述预定用户的手指动作数据，生成所述预定用户的手指动作相关属性；
选择子模块，用于基于Copula熵的特征选择技术，从原始数据集中选择训练数据集；其中，所述原始数据集由所述预定用户的用户行为属性和跌倒风险评估分数值组成，所述用户行为属性包括所述身体运动相关属性和手指动作相关属性，所述训练数据集包括选择出的目标用户行为属性和与所述目标用户行为属性对应的目标跌倒风险评估分数值的组合；
训练子模块，用于利用所述训练数据集训练所述机器学习预测模型。
10.根据权利要求8所述的装置，其特征在于，所述采集模块具体用于，采集所述被评估者的二维运动视频数据和三维运动视频数据，以及手指动作数据。
11.根据权利要求10所述的装置，其特征在于，所述生成模块包括：
第一估计子模块，用于利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；
第二估计子模块，用于利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；
获取子模块，用于利用所述人体主要关节的姿态信息和所述深度信息，获得所述每一帧图像的三维姿态信息；
第一计算子模块，用于利用所述三维姿态信息计算所述每个视频片段中的身体运动相关属性；
第二计算子模块，用于计算所述运动视频数据中所有视频片段中的身体运动相关属性的平均值和方差，得到所述被评估者的身体运动相关属性。
12.根据权利要求8所述的装置，其特征在于，所述身体运动相关属性包括以下信息中的至少一项：步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
13.根据权利要求8所述的装置，其特征在于，所述手指动作相关属性包括以下信息中的至少一项：手指敲击的次数、手指敲击的频率、手指敲击的平均时间间隔。
14.根据权利要求8所述的装置，其特征在于，所述跌倒风险评估分数值包括以下任意一种：TUG，POMA。
CN202010619497.0A 2020-06-30 2020-06-30 一种跌倒风险评估方法及装置 Pending CN113869090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010619497.0A CN113869090A (zh) 2020-06-30 2020-06-30 一种跌倒风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010619497.0A CN113869090A (zh) 2020-06-30 2020-06-30 一种跌倒风险评估方法及装置

Publications (1)

Publication Number Publication Date
CN113869090A true CN113869090A (zh) 2021-12-31

Family

ID=78981798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010619497.0A Pending CN113869090A (zh) 2020-06-30 2020-06-30 一种跌倒风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN113869090A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147768A (zh) * 2022-07-28 2022-10-04 国家康复辅具研究中心 一种跌倒风险评估方法及系统
CN116110584A (zh) * 2023-02-23 2023-05-12 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147768A (zh) * 2022-07-28 2022-10-04 国家康复辅具研究中心 一种跌倒风险评估方法及系统
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
CN116110584A (zh) * 2023-02-23 2023-05-12 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统
CN116110584B (zh) * 2023-02-23 2023-09-22 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统

Similar Documents

Publication Publication Date Title
Pizzolato et al. Real-time inverse kinematics and inverse dynamics for lower limb applications using OpenSim
CN107485844B (zh) 一种肢体康复训练方法、系统及嵌入式设备
CN111728609B (zh) 脑电信号的分类方法、分类模型的训练方法、装置及介质
Shanmuganathan et al. R-CNN and wavelet feature extraction for hand gesture recognition with EMG signals
US11763603B2 (en) Physical activity quantification and monitoring
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
US12046374B2 (en) Digital twin
JPWO2019187099A1 (ja) 身体機能自立支援装置およびその方法
CN114782497B (zh) 运动功能分析方法和电子设备
CN113869090A (zh) 一种跌倒风险评估方法及装置
CN112120703A (zh) 一种跌倒风险评估方法及装置
Kim et al. Missing sample recovery for wireless inertial sensor-based human movement acquisition
Ahmed et al. Kalman filter-based noise reduction framework for posture estimation using depth sensor
Nguyen et al. Reinforcement learning coupled with finite element modeling for facial motion learning
Zhao et al. Motor function assessment of children with cerebral palsy using monocular video
Masullo et al. CaloriNet: From silhouettes to calorie estimation in private environments
CN113743292B (zh) 基于视频序列的活动能力评估方法、装置、介质及设备
CN115798700A (zh) 一种跌倒风险评估方法及装置
CN114998816A (zh) 基于骨骼ai视频的病例改进方法、装置及存储介质
Nakagawa et al. A telecare system that estimates quality of life through communication
Liu Video-based human motion capture and force estimation for comprehensive on-site ergonomic risk assessment
CN111820869A (zh) 一种认知评估方法及装置
Ling et al. An Efficient Method for Identifying Lower Limb Behavior Intentions Based on Surface Electromyography.
CN118161152A (zh) 一种运动能力评估方法及装置
Nahavandi et al. A low cost anthropometric body scanning system using depth cameras

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