JP6691145B2 - 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 - Google Patents

Description

本開示は、機械学習アルゴリズムに関する。より具体的には、本開示の一部は、機械学習アルゴリズムを適用し、患者のバランスを判定する、または患者の転倒リスクを識別することに関する。

意図しない転倒は、米国人口のうちの年間３０，０００件を上回る死亡を占めている。高齢者は、最も転倒しやすく、その結果、年間３００，０００件を上回る股関節部骨折に悩まされている。股関節部骨折者のうち、５０％は、その自宅に二度と戻れないであろう。これらの転倒事象に寄与する、バランス不良は、多くの場合、転倒事象に先立って何十年にもわたって低下しているが、バランス不良を追跡するための従来の方法は、転倒が生じた後または患者が非常に深刻なバランス問題を煩ってからのみ、医療診断および介入を求めるものである。実際、転倒の現在の最良予測因子は、ある人がすでに転倒しているかどうかである。

国内の転倒の統計を真に改良するために、予防的介入が、最初の転倒に先立って行われるべきである。バランスは、他の身体能力に類似し、実践に伴って改良されることができ、逆に言えば、不使用に伴って悪化する。運動、強度、睡眠、認知機能、ビタミンＤ補給、および薬物療法管理等、いくつかの生活様式および健康因子は、その人のバランスに影響を及ぼすことが公知である。バランスを改善するための生活様式の変化は、その予防効果を構築するために時間がかかるであろう。バランスおよび転倒リスクの測定は、健康および生活様式の調節に伴って生じ得る、微妙なバランス変化を検出する機会をもたらす。

人間のバランス制御系は、非常に複雑であって、一連の運動出力を生成する３つまたはそれを上回る感覚入力を伴い、それぞれ、意識下および意識的制御、経験、状況、および性格によって影響される、異なる方略を伴う。転倒を取り囲む状況は、転倒源が多数の内因性および外因性因子から成り得るため、問題をさらに複雑にする。結果として、基本バランスの測定を用いた転倒の予測は、それ自体では不十分である。機械学習技法が人間のバランス制御系のために提供する、付加的洞察および予測力は、転倒のより正確な予測を促進することができる。

１つのそのような機械学習アプローチは、米国特許第８，０１１，２２９号において議論されている。第’２２９号特許は、圧力中心（ＣＯＰ）データからの異なる姿勢状態を識別することによって姿勢安定性を判定するために、隠れマルコフモデル技法を使用する。ＣＯＰは、２つまたはそれを上回る圧力または負荷センサからの組み合わせられた圧力の中心場所である。姿勢状態は、静的または動的のいずれかの分類に関連する。その名が示唆するように、静的姿勢状態は、ＣＯＰデータ内の滞留領域として定義され、動揺は、単一平衡に制約される。人が静的状態にある間、その身体の動揺は、制御下にあると考えられ、人は、よりバランスがとられ、転倒の可能性が低い。動的姿勢状態は、任意の平衡に制約されず、定義上、制約または制御されない、ＣＯＰデータの区分として定義される。人が動的状態にある間、平衡から「離脱」し、別の平衡または転倒のいずれかに移動していると見なされる。静的および動的姿勢状態は、これまで文献化されていない、姿勢安定性の査定を促進し、姿勢制御の新しいモデル、すなわち、断続平衡モデル（ＰＥＭ）を定義する。ＰＥＭは、動的軌跡によって断続される安定性の期間として定義される。姿勢状態のＰＥＭ分類は、特に、リアルタイムまたは近リアルタイムの安定性査定のために適用可能である。しかしながら、姿勢状態を定量化する、後続メトリックも、より長いタイムラインに沿った不安定性傾向の判定を促進する。ＰＥＭ内の姿勢不安定性の測定は、平衡の回数、平衡滞留時間、および平衡のサイズとして識別される。

ＰＥＭアプローチには、いくつかの利点がある。第１に、本技法は、そうでなければ均一なデータを分類し、安定領域および動的軌跡を識別し、後者は、不安定と見なされる。閾値関数が、姿勢不安定性のリアルタイム識別または長期検出にかかわらず、ユーザが現在ある姿勢状態を識別するために説明される。さらに、本アプローチは、身長および体重、足の場所、または既知の安定性境界から独立して生成される、安定性の相対的測定を生成する。

先行アプローチは、姿勢安定性の洞察を改良したが、一般に、転倒の多因子的性質は、リアルタイムおよび近リアルタイム転倒範囲外の転倒の予測を達成することが困難であることを意味すると理解されている。これまでの発展にもかかわらず、改良された姿勢安定性表現の必要性が残っている。

米国特許第８，０１１，２２９号明細書

患者の転倒リスクの判定は、困難なタスクのままである。従来の転倒リスクインジケータは、個人が以前に転倒したことがあるかどうかである。従来の転倒リスク査定試験は、個人を困難な位置に置き、その安定性をその位置で計測すること等によって、個人を危険に曝す。しかしながら、試験の負の転帰は、転倒であって、試験は、したがって、従来の転倒リスクインジケータと異ならない。ＰＥＭアプローチは、患者の転倒リスクを判定するために使用され得る。機械学習アルゴリズムが、個人の転倒リスクを示す、メトリックと未加工データの組み合わせを識別するために使用され得る。ＰＥＭアプローチは、個人を危険な位置に置かないため、個人の転倒リスクは、個人に殆ど危険を及ぼすことなく、査定されることができる。

本発明の実施形態によると、負荷データ点を少なくとも２つまたはそれを上回る負荷センサから取得するステップと、データ点毎に圧力中心（ＣＯＰ）を計算するステップと、計算されたＣＯＰに基づいて、転倒リスクを分類するための機械学習アルゴリズムを使用するステップとを含む、バランスおよび転倒リスク測定および分析のための改良された方法が、提供される。本発明の一実施形態は、隠れマルコフモデルを機械学習アルゴリズムとして含む。本方法は、次いで、現在の姿勢状態、次の姿勢状態、およびメトリックの範囲を計算するステップを含んでもよい。メトリックは、基本断続平衡モデル（ＰＥＭ）メトリックのうちの少なくとも１つと、高度ＰＥＭメトリックのセットのうちの少なくとも１つ、すなわち、最初の平衡までの時間、平衡距離、平衡重複、パーセント平衡、平均平衡持続時間、および指向性平衡とを含むことができる。

本発明のいくつかの実施形態によると、現在の姿勢状態、次の姿勢状態を計算するステップと、メトリックの範囲を積分するステップとを含む、バランスおよび転倒リスク測定および分析のための改良された方法が、提供される。メトリックは、基本ＰＥＭメトリックのうちの少なくとも１つと、高度ＰＥＭメトリックのセットのうちの少なくとも１つ、すなわち、最初の平衡までの時間、平衡距離、平衡重複、パーセント平衡、平均平衡持続時間、および指向性平衡と、ＣＯＰ基本メトリックのうちの少なくとも１つとを含むことができる。基本ＰＥＭメトリック、高度ＰＥＭメトリック、および基本メトリックのそれぞれからの少なくとも１つのメトリックの積分は、最終バランススコアおよび転倒リスクを判定するためのいくつかの可能性として考えられる人工知能技法のうちの１つを使用することができる。これらのアプローチは、主成分分析、ベイズ分類、ニューラルネットワークまたは深層学習ベースの方略、およびＳＶＭ（サポートベクトル機械）の使用を含む。一実施形態では、積分モデルは、基本ＰＥＭメトリック、高度ＰＥＭメトリック、および基本メトリックのそれぞれからの少なくとも１つのメトリックを含む、安定性メトリックの線形組み合わせである。メトリックは、１〜１０のスケール上のパラメータスコアに変換され、複合バランススコアは、メトリックの加重された平均として計算される。複合バランススコアの範囲もまた、１〜１０であってもよい。閾値は、患者を分類するためのバランススコアが割り当てられてもよい。

転倒リスクの判定は、いくつかの実施形態では、負荷データを捕捉および伝送し、したがって、人についての平衡データを集める、負荷センサおよび信号調製モジュールを格納する、システムによって補助されてもよい。本システムは、負荷データをモバイルデバイスに、次いで、データ分析モジュールに無線で伝送する、２つまたはそれを上回る負荷センサを含む、スケールであってもよい。いくつかの実施形態では、スケールは、データを、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはＷｉ−Ｆｉ等の短距離通信リンクを経由して、電話、タブレット、またはラップトップコンピュータ等のモバイルデバイスに伝送してもよく、これは、次いで、データを、インターネットを通した広域ネットワーク（ＷＡＮ）等の長距離通信リンクを経由して、データ分析モジュールを伴うサーバに伝送する。いくつかの実施形態では、スケールは、データを、短距離通信リンクを経由して、モバイルデバイスに伝送してもよく、モバイルデバイスは、データ分析モジュールを含んでもよく、データ分析モジュールの結果は、データを監視する、および／またはそれにアクセスするために、サーバにアップロードされてもよい。モバイルデバイスまたはサーバ内のデータ分析モジュールは、機械学習アルゴリズムを実行し、バランススコアおよび転倒リスク分類を計算する等のデータの処理を行ってもよい。いくつかの実施形態では、結果は、スケール上のＬＥＤまたはＬＣＤ等を用いて、表示のためにシステム上に表示されてもよい。

いくつかの実施形態では、本システムは、２つまたはそれを上回る負荷センサと、データ分析モジュールと、個人のバランスおよび／または転倒リスクを出力するためのディスプレイとを格納する、デバイスであってもよい。本デバイスは、２つまたはそれを上回る負荷センサを備える、その上に個人が起立することができる、表面を含んでもよい。機械学習アルゴリズムを実行するためのステップを行うように構成される。プロセッサ等のデータ分析モジュールは、２つまたはそれを上回る負荷センサからのデータを処理し、バランス情報および／または転倒リスク分類を生成してもよい。本デバイスの照明部材は、半透明上部表面を通して照明し、ユーザの転倒リスク分類を表す色の閃光効果を生成する、ＬＥＤ光を備えてもよく、上部表面を通して照明するＬＥＤ番号は、バランススコアおよび体重を表示してもよい。表面デバイスはまた、負荷データ、バランス情報、体重、および／または転倒リスク情報を、モバイルデバイス（例えば、携帯電話、タブレット、スマートウォッチ、フィットネスウォッチ、フィットネストラッカ、ラップトップコンピュータ）等の他の機器またはサーバに伝送し得る、信号調製モジュールを含んでもよい。信号調製モジュールは、データを別のコンピュータに伝送するためのＷｉ−ＦｉまたはＢｌｕｅｔｏｏｔｈ（登録商標）等の短距離通信リンクまたはインターネットまたは２Ｇ、３Ｇ、または４Ｇセルラー通信等の長距離通信リンクのいずれかを経由して通信するための通信機器を含んでもよい。

一般に、本明細書の実施形態に説明される技術は、人の転倒リスクおよび／または複合バランススコアを判定するためのシステムおよび方法を提供する。本技術は、例えば、高齢者、運動選手、患者、医師、理学療法士、看護士、宇宙飛行士、および／または転倒リスクまたは姿勢安定性を査定する必要がある任意の人によって使用されてもよい。
本明細書は、例えば、以下の項目も提供する。
（項目１）
方法であって、
プロセッサによって、ある時間期間にわたって、複数の負荷データ点を少なくとも２つの負荷検出モジュールから受信するステップと、
前記プロセッサによって、機械学習アルゴリズムを前記複数の負荷データ点に適用することによって、転倒リスクを推定するステップであって、前記転倒リスクを推定するステップは、
少なくとも部分的に、前記複数の負荷データ点に基づいて、圧力中心（ＣＯＰ）データを計算するステップと、
少なくとも部分的に、前記圧力中心（ＣＯＰ）データに基づいて、隠れマルコフモデル技法を用いて識別された複数の姿勢状態を判定するステップと、
少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックを計算するステップと、
少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックを計算するステップと、
少なくとも部分的に、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、前記転倒リスクを判定するステップと、
を含む、ステップと、
を含む、方法。
（項目２）
前記転倒リスクを推定するステップはさらに、少なくとも１つの基本非ＰＥＭメトリックをＣＯＰから計算するステップを含む、項目１に記載の方法。
（項目３）
前記少なくとも１つの基本非ＰＥＭメトリックは、ＣＯＰ速度、ピーク内外側動揺、ピーク前後動揺、内外側動揺の標準偏差、前後動揺の標準偏差、平均速度、所定の速度を上回る試行の割合、９５％動揺楕円形の半径、９５％動揺円形の半径、および二乗平均平方根（ＲＭＳ）速度のうちの少なくとも１つを備える、項目２に記載の方法。
（項目４）
前記１つまたはそれを上回る基本ＰＥＭ安定性メトリック、前記１つまたはそれを上回る高度ＰＥＭ安定性メトリック、および前記少なくとも１つの基本非ＰＥＭメトリックの加重されたメトリックを線形に積分することによって、バランススコアを計算するステップをさらに含む、項目２に記載の方法。
（項目５）
前記１つまたはそれを上回る基本ＰＥＭ安定性メトリックは、いくつかの平衡、平衡下にある滞留時間、および各平衡のサイズのうちの少なくとも１つを備える、項目１に記載の方法。
（項目６）
前記高度ＰＥＭ安定性メトリックは、平衡までの時間、平衡距離、平衡重複、パーセント平衡、平均平衡持続時間、および指向性平衡のうちの少なくとも１つを備える、項目１に記載の方法。
（項目７）
前記転倒リスクを分類するステップをさらに含み、前記転倒リスク分類は、少なくとも高リスク、中程度のリスク、および低リスクを備える、分類閾値に基づく、項目１に記載の方法。
（項目８）
前記転倒リスクを推定するステップは、臨床記録、運動、生活様式入力、体重、体脂肪組成、ボディマス指数、水和レベル、薬剤消費、アルコール消費、睡眠、１日あたりの歩数、運動、座っている時間、および強度のうちの少なくとも１つを用いて前記機械学習アルゴリズムを適用するステップを含む、項目１に記載の方法。
（項目９）
前記取得するステップは、前記複数の負荷データ点をスケール、床板、マット、靴、インソール、靴下、歩行器、歩行支援器、梯子、杖、人工装具、およびロボット脚部のうちの少なくとも１つ上の負荷センサから取得するステップを含む、項目１に記載の方法。
（項目１０）
前記転倒リスクを推定するステップはさらに、少なくとも前記複数の姿勢状態および前記複数の姿勢状態のうちの少なくとも１つと別の姿勢状態との間で遷移する確率に基づいて、ある時点における姿勢を判定するステップを含み、前記姿勢状態は、静的姿勢状態または動的姿勢状態のうちの少なくとも１つである、項目１に記載の方法。
（項目１１）
人の姿勢安定性および転倒リスクを判定するためのシステムであって、
複数の負荷データ点を取得するように構成される、２つまたはそれを上回る負荷検出モジュールと、
前記負荷検出モジュールに結合され、前記複数の負荷データ点を伝送可能形態に変換するように構成される、信号調製モジュールと、
前記信号調製モジュールに結合される、通信モジュールであって、
前記複数の負荷データ点を前記信号調製モジュールから受信することと、
前記複数の負荷データ点を伝送することと
を行うように構成される、通信モジュールと、
前記信号調製モジュールから受信された前記複数の負荷データ点を分析するように構成される、データ分析モジュールであって、
少なくとも部分的に、前記複数の負荷データ点に基づいて、圧力中心（ＣＯＰ）データを計算することと、
少なくとも部分的に、前記圧力中心（ＣＯＰ）データに基づいて、隠れマルコフモデル技法を用いて識別された複数の姿勢状態を判定することと、
少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックを計算することと、
少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックを計算することと、
少なくとも部分的に、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、前記転倒リスクを判定することと、
を含むステップを行うように構成される、データ分析モジュールと、
前記データ分析モジュールに結合され、少なくとも前記転倒リスクのインジケーションを備える、前記データ分析モジュールからの結果を表示するように構成される、ディスプレイモジュールと、
を備える、システム。
（項目１２）
前記２つまたはそれを上回る負荷検出モジュールは、４つの負荷検出モジュールを備え、前記４つの負荷検出モジュールは、透明または半透明上部層を伴うケーシング内に格納される、項目１１に記載のシステム。
（項目１３）
前記ディスプレイモジュールは、前記上部層の一部または全部を通して可視である、前記結果の照明を備える、項目１２に記載のシステム。
（項目１４）
前記ディスプレイモジュールは、赤色、黄色、緑色、青色、および白色のうちの少なくとも１つにおいて閃光効果を生成する、複数のＬＥＤ光列を備える、項目１１に記載のシステム。
（項目１５）
前記通信モジュールは、モバイルデバイス、スマートウォッチ、スマートフォン、タブレット、コンピュータ、およびウェアラブル端末のうちの少なくとも１つの一部である、項目１１に記載のシステム。
（項目１６）
装置であって、
複数の負荷データ点を取得するように構成される、２つまたはそれを上回る負荷検出モジュールと、
前記負荷検出モジュールに結合され、前記複数の負荷データ点を伝送可能形態に変換するように構成される、信号調製モジュールと、
前記信号調製モジュールに結合された通信モジュールであって、
前記複数の負荷データ点をデータ分析モジュールに伝送することと、
前記データ分析モジュールから、少なくとも部分的に、１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、機械学習アルゴリズムによって計算された転倒リスクを受信することと
を行うように構成される、通信モジュールと、
前記受信された転倒リスクのインジケーションを表示するように構成される、ディスプレイモジュールと、
を備える、装置。
（項目１７）
前記２つまたはそれを上回る負荷検出モジュールは、透明または半透明上部層を伴うケーシング内に格納され、前記ディスプレイモジュールは、前記上部層の一部または全部を通して可視の前記転倒リスクの照明を備える、項目１６に記載の装置。
（項目１８）
前記ディスプレイモジュールは、前記転倒リスクの分類に対応する閃光効果を生成する、複数のＬＥＤ光を備える、項目１６に記載の装置。
（項目１９）
前記通信モジュールは、モバイルデバイスを通して前記データ分析モジュールと通信するように構成される、項目１６に記載の装置。
（項目２０）
前記通信モジュールは、インターネットを通して前記データ分析モジュールと通信するように構成される、項目１６に記載の装置。

前述は、以下の発明を実施するための形態がより深く理解され得るために、本発明の実施形態のある特徴および技術的利点をかなり広義に概略している。本発明の請求項の主題を形成する、付加的特徴および利点は、本明細書に後述されるであろう。開示される概念および具体的実施形態は、同一または類似目的を果たすための他の構造を修正または設計するための基礎として容易に利用され得ることが、当業者によって理解されるはずである。また、そのような均等物構造は、添付の請求項に記載される本発明の精神および範囲から逸脱しないことが、当業者によって認識されるはずである。付加的特徴は、付随の図と併せて検討されるとき、以下の説明からより深く理解されるであろう。しかしながら、図はそれぞれ、例証および説明の目的のためだけに提供されており、本発明を限定することを意図するものではないことは、明示的に理解されたい。

開示されるシステムおよび方法のより完全な理解のために、ここで、添付の図面と併せて検討される、以下の説明を参照する。

図１は、従来のバランス査定方法を図示する、ブロック図である。 図２は、本開示のいくつかの実施形態による、基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび高度ＰＥＭメトリックを判定するための方法を図示する、ブロック図である。 図３は、本開示のいくつかの実施形態による、機械学習アルゴリズムおよび（圧力中心）ＣＯＰデータを使用して、転倒リスクを判定するための方法を図示する、ブロック図である。 図４は、本開示のいくつかの実施形態による、負荷センサから取得されたデータに基づいて、バランススコアおよび転倒リスク分類を判定するための機械学習アルゴリズムを図示する、ブロック図である。 図５Ａは、ある個人のデータに適用されるような、本開示の一実施形態による、隠れマルコフモデル技法を用いて断続平衡に分類された圧力中心（ＣＯＰ）データの姿勢動揺図である。図５Ｂは、内外側ピーク動揺（Ｘ動揺）および前後ピーク動揺（Ｙ動揺）がオーバーレイされた基本メトリックを伴う、図５Ａの姿勢動揺図である。 図６Ａは、本開示の一実施形態による、断続平衡モデル（ＰＥＭ）によって分類された圧力中心（ＣＯＰ）データの姿勢動揺図のデータを図示する、グラフである。図６Ｂは、本開示の一実施形態による、識別された９５％楕円形を伴う姿勢安定性の単一平衡モデルによって表される、図６Ａと同一圧力中心（ＣＯＰ）データの姿勢動揺図を示す。 図７は、本開示の一実施形態による、３つの転倒リスク分類を伴うバランススコアを図示する、ブロック図である。 図８は、本開示の一実施形態による、転倒を識別するための受信者動作特性曲線のデータを示す、グラフである。 図９は、本開示の一実施形態による、バランス影響因子が注釈された、２年にわたる個々の人のバランススコアおよび転倒リスクデータのデータを示す、グラフである。 図１０は、本開示の一実施形態による、システムおよびシステム全体を通したデータフローを図示する、ブロック図である。 図１１Ａは、本開示の一実施形態による、タブレットと通信するバランスデバイスを示す、斜視図である。図１１Ｂは、本開示の一実施形態による、スマートフォンと通信するバランスデバイスを示す、斜視図である。図１１Ｃは、本開示の一実施形態による、クラウドベースのデータ分析モジュールと通信するバランスデバイスを示す、斜視図である。 図１２は、本開示の一実施形態による、スケールバランスデバイスを図示する、分解図である。 図１３Ａは、本開示の一実施形態による、負荷検出モジュールを図示する、分解図である。 図１３Ｂは、本開示の一実施形態による、負荷検出モジュールを図示する、側面斜視図である。 図１４Ａは、本開示の一実施形態による、スケールバランスデバイスを図示する、側面斜視図である。 図１４Ｂは、本開示の一実施形態による、スケールバランスデバイスを図示する、背面斜視図である。 図１５は、本開示の一実施形態による、スケールバランスデバイスおよびディスプレイを図示する、平面図である。 図１６Ａ−Ｃは、眼を開いた患者および眼を閉じた患者に関する個々のメトリックに基づく転倒リスクの評価の結果を図示する、グラフである。 図１６Ａ−Ｃは、眼を開いた患者および眼を閉じた患者に関する個々のメトリックに基づく転倒リスクの評価の結果を図示する、グラフである。 図１６Ａ−Ｃは、眼を開いた患者および眼を閉じた患者に関する個々のメトリックに基づく転倒リスクの評価の結果を図示する、グラフである。

一般に、本発明の側面は、人の転倒リスクを判定するための方法およびシステムに関する。転倒リスク情報は、人および／またはその人を監視する第三者（例えば、医師、理学療法士、パーソナルトレーナ等）にその人の転倒リスクを通知するために使用されることができる。本情報は、健康ステータス、生活様式挙動、または医療治療における変化によって影響され得る、転倒リスクにおける変化を監視および追跡するために使用されてもよい。さらに、転倒リスク分類は、転倒のリスクがより高い日に個人がより注意することに役立ち得る。これは、常時、警戒および注意の強化を予期する、非現実的な転倒を防止するための一般的指針とは対照的である。ある人にその転倒リスクレベルをアラートすることは、彼らに、転倒リスクレベルが高いとき、杖の使用等、短期的に措置を講じさせる、または転倒リスクの長期的改善のため、生活様式を変化させるために専門家の助言を求めるように促す。いくつかの実施形態では、データは、１日毎、週間毎、および／または月毎で収集され、長期予測が、個人のために形成されてもよい。

図１は、隠れマルコフモデル（ＨＭＭ）を用いて姿勢状態を分類する従来の方法を図示する、ブロック図である。ＨＭＭは、時間確率論モデルであって、一連の状態を経時的にモデル化する。これらの状態は、直接観察可能ではなく、したがって、隠される。しかしながら、各時点における可能性として考えられる観察のセットが存在し、これは、その時点における真の隠れ状態と相関し得る。したがって、ある時間期間にわたる観察のシーケンスを前提として、ＨＭＭは、最も可能性の高い隠れ状態を判定する。

従来、ＨＭＭは、圧力中心（ＣＯＰ）データからの姿勢状態を分類し得る。ＣＯＰデータは、ある時間期間にわたって人と関連付けられた圧力または負荷センサからの組み合わせられた圧力の中心場所を表し得る。圧力データは、ある時間期間にわたって、少なくとも１つの圧力センサから取得され１１０、ＣＯＰは、圧力データ点毎に計算される１２０。ＨＭＭ計算は、現在のおよび／または次の姿勢状態を判定する１３０。ＨＭＭは、姿勢状態毎の確率のセットを利用し、次の姿勢状態を判定する１４０。姿勢状態は、静的または動的のいずれかの分類に関連する。静的姿勢状態は、動揺が単一平衡に制約される、ＣＯＰデータ内の滞留領域として定義される。人が静的状態にある間、その身体動揺は、制御下にあると見なされ、人は、よりバランスがとられ、転倒の可能性が低い。動的姿勢状態は、任意の平衡に制約されず、定義上、制約または制御されない、ＣＯＰデータの区分として定義される。人が動的状態にある間、平衡から「離脱」し、別の平衡または転倒のいずれかに移動していると見なされる。

静的および動的姿勢状態は、姿勢安定性の断続平衡モデル（ＰＥＭ）を促進する。ＰＥＭは、動的軌道によって断続される安定性の期間として定義される。人にその遷移状態動、それによって、危険な状態をアラートすることは、彼らが差し迫った転倒を回避する瞬間的措置を講じることに役立ち得る。ＰＥＭ１５０からの姿勢不安定性の基本測定は、平衡の回数１６０、平衡滞留時間１７０、および平衡のサイズ１８０として識別される。平衡の回数１６０は、時系列で識別された平衡の回数を含んでもよい。滞留時間１７０は、その特定の平衡に費やした時間を表す、五角形または他の形状のサイズを含んでもよい。平衡のサイズ１８０は、対応する平衡中心までの平衡内の各点の平均（または平均、最大、または最小等の他の特性）を含んでもよい。

基本断続平衡モデル（ＰＥＭ）安定性メトリック１６０、１７０、および１８０は、姿勢状態を判定するために十分であり得るが、付加的安定性メトリックは、姿勢状態の判定を改良し、および／または転倒リスクの判定および／または個人の転倒リスクの分類を可能にし得る。本発明の実施形態は、高度ＰＥＭ安定性メトリックを使用するＨＭＭ技法を用いたＰＥＭのために、動的および静的姿勢状態を分類する等のため、機械学習技法を使用する。ＰＥＭは、ＣＯＰデータシリーズの動的軌道によって断続される複数の平衡を定義する。ＰＥＭアプローチは、ＣＯＰデータ軌道から定義された領域および幾何学的パターンを生成する。例えば、図２は、平衡までの時間２２０、平衡距離２３０、平衡重複２４０、パーセント平衡２５０、平均平衡持続時間２６０、指向性平衡２７０を含む、高度ＰＥＭメトリックを判定するための方法を図示する、ブロック図である。

高度ＰＥＭメトリックの計算の一実施形態では、少なくとも２つの負荷センサからのデータが、ブロック１１０において、ある時間期間にわたって取得され、人と関連付けられる。ＣＯＰデータは、負荷データ点毎に、負荷センサ入力から計算されてもよい１２０。これは、ＣＯＰデータの時系列を生成し得る。ＨＭＭ計算が、ブロック１３０において、現在のおよび／または次の姿勢状態を判定するために使用されてもよい。ＨＭＭは、ブロック１４０において、姿勢状態毎の確率のセットを使用して、次の姿勢状態を判定してもよい。いくつかの実施形態では、ＨＭＭ計算は、次の状態、現在の状態、および／または１つまたはそれを上回る過去の状態（例えば、５個、１０個）を判定する。姿勢状態は、静的または動的のいずれかの分類に関連し得る。静的姿勢状態は、動揺が単一平衡に制約される、ＣＯＰデータ内の滞留領域として定義されてもよい。姿勢状態のための時系列の分類は、次いで、基本ＰＥＭ安定性メトリック１５０と、最初の平衡までの時間２２０、平衡距離２３０、平衡重複２４０、パーセント平衡２５０、平均平衡持続時間２６０、および指向性平衡２７０を含む、高度ＰＥＭ安定性メトリック２１０との計算を可能にし得る。いくつかの実施形態では、ＰＥＭ安定性メトリック２１０は、最初の平衡までの時間（例えば、第１の平衡確立前に経過した時間）、平衡距離（例えば、隣接する平衡中心までの平衡中心の平均距離）、平衡重複（例えば、時系列における平衡９５％円形の平衡重複のパーセンテージ）、パーセント平衡（例えば、時系列における平衡に費やした時間のパーセント）、平均平衡持続時間（例えば、時系列における平均平衡持続時間）、および／または指向性平衡（例えば、内外側Ｘ−軸から隣接する平衡中心までの指向性ベクトルの前後偏差度によって加重された平衡の回数）を含んでもよい。ＣＯＰデータを判定し、姿勢状態を判定し、基本ＰＥＭ安定性メトリックを判定するステップに関する付加的詳細は、Ｌｉｅｂｅｒｍａｎ ｅｔ ａｌ．の２００８年１１月２６日に出願され、「Ｄｅｔｅｒｍｉｎｉｎｇ ｐｏｓｔｕｒａｌ ｓｔａｂｉｌｉｔｙ」と題された米国特許第８，０１１，２２９号に説明され、参照することによって本明細書に組み込まれる。

図３は、本開示のいくつかの実施形態による、機械学習アルゴリズムおよび（圧力中心）ＣＯＰデータを使用して転倒リスクを判定するための方法を図示する、ブロック図である。転倒リスクを判定するための方法は、ブロック３１０において開始し、ある時間期間にわたって、負荷データ点を少なくとも２つの負荷センサから取得する。次いで、ブロック３２０において、各負荷データ点は、圧力中心（ＣＯＰ）データを計算するために使用されてもよい。次に、ブロック３３０において、機械学習アルゴリズムは、ＣＯＰデータを受信し、例えば、姿勢状態を計算してもよい。次いで、ブロック３４０において、機械学習アルゴリズムは、転倒リスクを推定する、および／または転倒リスクを分類するために使用されてもよい。いくつかの実施形態では、機械学習アルゴリズムは、ブロック３４０において、後続メトリックを計算するために、姿勢状態を分類し、転倒リスク閾値を判定するために使用されてもよい。他の実施形態では、機械学習アルゴリズムは、姿勢状態の先行判定を伴って、または伴わずにのいずれかにおいて、目的関数として転倒リスクを分類するために使用されてもよい。いくつかの実施形態では、推定される転倒リスクはまた、部分的に、臨床記録、運動、生活様式入力、体重、体脂肪組成、ボディマス指数、水和レベル、薬剤消費、アルコール消費、睡眠、１日あたりの歩数、運動、座っている時間、および／または強度のうちの少なくとも１つに基づいてもよい。

図４は、本開示のいくつかの実施形態による、負荷センサから取得されたデータに基づいて、バランススコアおよび転倒リスク分類を判定するための機械学習アルゴリズムを図示する、ブロック図である。ＣＯＰは、ブロック３２０において、ある時間期間にわたって、負荷データ点毎に、ブロック３１０において受信された負荷データから計算される。ブロック４３０における姿勢状態分類は、ＨＭＭ技法を用いて、２つの状態、すなわち、静的および姿勢状態を分類する。ＨＭＭは、ブロック４４０において、姿勢状態毎に、確率のセットを利用して、次の姿勢状態を判定してもよい。バランス積分モデルが、ブロック４２０において、ブロック４５０において計算される基本ＰＥＭ安定性メトリックおよび高度ＰＥＭ安定性メトリック２１０から判定されてもよい。例えば、バランススコアおよび／または転倒リスク判定が、部分的に、ブロック１５０において計算される１つまたはそれを上回る基本ＰＥＭ安定性メトリックと、ブロック２１０において計算される１つまたはそれを上回る高度ＰＥＭ安定性メトリックの加重された組み合わせに基づいて行われてもよい。いくつかの実施形態では、ブロック４２０のバランス積分モジュールはまた、いくつかの可能性として考えられる人工知能技法のうちの１つを使用して、倒立振り子モデル（ＩＰＭ）からの基本姿勢安定性メトリック４１０に基づいてもよい。バランススコアおよび／または転倒リスク分類器が、ブロック４３０において、ブロック４２０のバランス積分モデルから生成されてもよい。最終バランススコアを判定するための方略は、より広義には、主成分分析、ベイズ分類、ニューラルネットワークまたは深層学習ベースの方略、ＳＶＭ（サポートベクトル機械）、または教師ありおよび教師なし学習アプローチの使用を含む。安定性メトリックに加え、経時的ＣＯＰ値または経時的負荷値等の未加工データもまた、人工知能に提供されてもよい。ニューラルネットワークの場合、ネットワークは、訓練され（既知の転倒履歴を伴う個人からの訓練データを使用して）、転倒リスクを示すメトリックと未加工データの組み合わせを識別することができる。

一実施形態では、バランス積分モデル４２０は、ロバストな表現を生成するために、高度ＰＥＭメトリック２１０のうちの少なくとも２つおよび基本メトリック４１０のうちの少なくとも２つと組み合わせられた基本ＰＥＭメトリック４５０のうちの少なくとも２つを含む、安定性メトリックの線形組み合わせであってもよい。選択されたメトリックは、１〜１０のスケールにおけるスコアを生成するために使用されてもよく、いくつかのメトリックに関して、ロジスティック関数変換が、必要であってもよい。メトリックは、次いで、ブロック４３０において、転倒リスクの分類を最適化するために加重され、バランススコアをもたらす。

いくつかの実施形態では、本方法は、異なる理論的モデルからのいくつかの入力メトリックを組み込んでもよい。例えば、１つのそのようなモデルは、単一点の周囲における動揺を説明する基本ＣＯＰメトリック４１０をもたらす、ＩＰＭである。メトリックは、前後ＣＯＰピーク動揺（例えば、時系列における最大前後変位）、内外側ＣＯＰピーク動揺（例えば、時系列における最大内外側変位）、内外側動揺の標準偏差、前後動揺の標準偏差、９５％円形の半径（例えば、時系列におけるＣＯＰデータの９５％を含む円形の半径）または楕円形（例えば、時系列におけるＣＯＰデータの９５％を含む楕円形の半径）、ＣＯＰの平均速度（例えば、時系列におけるＣＯＰ速度の平均）、二乗平均平方根速度（例えば、時系列におけるＣＯＰ速度の二乗平均平方根値）、および所定の速度を上回るパーセンテージ時間（例えば、時系列における０．１ｍ／ｓを上回る時系列の割合）、時系列における内外側位置の標準偏差（例えば、ｓｔｄＣｏｐＭＬ）、時系列における前後位置の標準偏差（例えば、ｓｔｄＣｏｐＡＰ）を含む。

図５および図６は、それぞれ、姿勢安定性モデルＩＰＭおよびＰＥＭの両方からのメトリックを図示する。ＩＰＭは、単一クラスタのより大域的メトリックをもたらす一方、ＰＥＭは、これらのデータが複数のクラスタにさらに分類されるため、より緻密なメトリックをもたらす。

図５Ａは、ある個人のデータに適用されるような、本開示の一実施形態による、隠れマルコフモデル技法を用いて断続平衡に分類された圧力中心（ＣＯＰ）データの姿勢動揺図である。ｘ軸は、ＣＯＰ内外側動揺５１０であって、０は、左足であって、１は、右足である。ｙ軸は、ＣＯＰ前後動揺５２０であって、１は、前方向であって、０は、後方向である。ｘおよびｙ軸は、動揺の距離に関連する。異なる色陰影は、静的平衡のクラスタ化された領域にオーバーレイする合致する色の五角形５３０を伴う、異なる定義された平衡を表す。五角形のサイズは、その平衡５３０の相対的サイズを表す。五角形が大きいほど、より長くその人がその平衡において制御下のままである。五角形５４０内の線は、各ＣＯＰ点がそれが関連付けられた平衡の平衡中心から位置する、平均距離を表す。外側黒色線を伴う点は、動的状態５５０にある点を表し、したがって、関連付けられた平衡または五角形を有していない。

図５Ｂは、内外側ピーク動揺（Ｘ動揺）および前後ピーク動揺（Ｙ動揺）の基本メトリックがオーバーレイされた、図５Ａの姿勢動揺図である。ｘ軸５１０およびｙ軸５２０は、動揺の距離に関連する。ピーク前後ピーク動揺５７０は、最大前および最大後動揺間の距離である。同様に、内外側ピーク動揺５６０は、内外側方向における最大動揺点間の距離である。これらのメトリックは、中心点の周囲の偏差および中心からの動揺の変量を表す。

同様に、図６Ａは、本開示の一実施形態による、断続平衡モデル（ＰＥＭ）によって分類された圧力中心（ＣＯＰ）データの姿勢動揺図のデータを図示する、グラフである。図６Ｂは、本開示の一実施形態による、識別された９５％楕円形を伴う姿勢安定性の単一平衡モデルによって表される、図６Ａと同一の圧力中心（ＣＯＰ）データの姿勢動揺図を示す。図６Ａでは、五角形が除去されているが、分類された領域は、灰色６１０のその異なる陰影によって明確に示される。これは、時系列６２０のＩＰＭ均一表現を図示する、図６Ｂと対照的である。９５％楕円形は、データ点の全てのうちの９５％を含有し、総動揺面積６３０による姿勢安定性の表現である。視覚的に、ＨＭＭ分類は、姿勢動揺図の異なる要素を提供することが明らかに分かる。ともに、これらの２つのモデル、ＩＰＭおよびＨＭＭの両方からのメトリックは、いずれも切り離して生成され得ない、よりロバストかつ包括的アプローチを提供し得る。

図７は、本開示の一実施形態による、３つの転倒リスク分類を伴うバランススコアを図示する、ブロック図である。複合バランススコア４３０は、１〜１０の範囲を有する。１０は、最良バランスであって、１は、最低安定性である。転倒リスクのための閾値が、ブロック４３０において識別されることができ、図７では、それらは、人がスコア１−３である場合、高転倒リスク７１０、人がスコア４−６である場合、中程度の転倒リスク７２０、および人がスコア７−１０である場合、低転倒リスク７３０として定義される。閾値はまた、部分的に、傷害状態、精神状態、認知状態、医療状態、移動状態、健康状態、注意状態、中毒状態、および／または低酸素症状態に基づくことができる。

図８は、本開示の一実施形態による、転倒を識別するための受信者動作特性曲線のデータを示す、グラフである。曲線は、転倒リスク分類の評価を提供する。これらのデータは、平均年齢８７．０９歳であって、１年以内にその転倒履歴を伴う、３７名の対象に基づく。ｙ軸は、転倒発生の累積真陽性識別８１０を表し、ｘ軸は、無転倒の累積識別８２０を表す。ＰＥ線８３０上の点１から１０は、複合バランススコア４３０の各可能性として考えられるスコアを表す。無効線８４０は、等レベルの陽性および陰性識別の理論的場所を描写し、それによって、無判別能力を有する。高転倒リスク分類７１０を最大限にするための明確な閾値は、スコア３ ８５０において生じる。スコア１、２、および３の累積は、偽陽性率３５％、すなわち、６５％特異度を伴って、転倒リスクにおいてそれらを７６％として正しく分類するための感度をもたらす。転倒を識別する率は、７以降の８６０において最小限となり、したがって、図７に図示されるような上限低転倒リスク範囲７３０を分類する。

さらに、分類された出力は、生活様式因子によって生成されるバランスにおける微妙な変化に敏感であり得る。図９は、本開示の一実施形態による、注釈されたバランス影響因子を伴う、２年にわたる個々の人のバランススコアおよび転倒リスクデータのデータを示す、グラフである。増加および減少されたバランスおよび転倒リスクの顕著な期間は、参加者の活動に関連する。転倒イベントは、参加者が低スコア化され、高転倒リスク７１０にあるとして正しく識別された後に生じた。理学療法（ＰＴ）が、転倒イベント後に処方され、バランススコアの上昇および転倒リスク４３０の下降と合致した。本傾向は、参加者の関連付けられた生活設備内で提供された特別バランス強化クラスによって維持される。それらのクラスの終了および新年の間の運動の減少は、より低いスコアおよびより高い転倒リスクと関連付けられた。これらのデータは、転倒リスクの微妙な変化を定量化し、人々をその健康について積極的になるように促すための本発明の値を描写する。

システムが、人に関する姿勢安定性および転倒リスクを判定するために使用されてもよい。本システムは、負荷データを捕捉し、必要に応じてデータを処理し、処理されたデータを伝送し、複数のバランス関連メトリックに基づいて、データの付加的処理を行い、当該人物に関するバランスおよび転倒リスクデータを提示し、データ結果を伝送し、データをユーザ、第三者プロバイダ、および／または他の支援人員に表示し、読者にその人の姿勢安定性および転倒リスクを助言するための構成要素を含んでもよい。

図１０は、本開示の一実施形態による、システムおよびシステム全体を通したデータフローを図示する、ブロック図である。本システムは、ある時間期間にわたって負荷データを収集する、２つまたはそれを上回る負荷センサ１０２０を含む。本システムはまた、本発明の一側面に従って、負荷データ１０７０を通信モジュール１０４０に、次いで、クラウドベースのデータ分析モジュール１０５０に伝送するための無線伝送能力を伴う、バランスデバイス１０１０内に格納される信号調製モジュール１０３０を含んでもよい。信号調製モジュール１０３０は、アナログ／デジタルコンバータ（ＡＤＣ）と、タイマと、負荷センサモジュール１０２０の出力をデジタルデータ値に変換するために使用される、他の離散または集積構成要素とを含有してもよい。信号調製モジュール１０３０は、任意の汎用プロセッサと、マイクロプロセッサと、増幅器と、他の好適に構成される離散または集積回路要素と、メモリとを含んでもよい。メモリは、ＤＲＡＭ、ＳＲＡＭ、フラッシュ、ＭＲＡＭ、またはデータ記憶のための類似構成要素等のソリッドステートデバイスを含む、任意のタイプの揮発性または不揮発性記憶媒体であってもよい。信号調製モジュール１０３０は、負荷センサからのデータを処理し（例えば、負荷センサ信号をアナログからデジタルに変換する、または別様に解釈する）、および／またはネットワーク伝送のためのパケットまたはフレームを形成すること、またはＵＳＢ転送のためにデータをアセンブルすること等によってネットワーク接続または他のバス（有線または無線のいずれか）を経由した伝送のためにデータをパッケージ化するための回路および／または命令とともに構成されてもよい。バッテリ（図示せず）等の電源が、電力を負荷検出モジュール１０２０および信号調製モジュール１０３０の回路に提供するために、任意の好適な配列によって取り付けられてもよい。

一実施形態では、通信モジュール１０４０は、印刷回路基板または他の電子パッケージング技術上に１つまたはそれを上回る集積回路（例えば、マイクロコントローラ等）および／または離散構成要素を備えてもよい。例えば、通信モジュール１０４０は、信号調製モジュール１０３０によって調製されたデータを伝送および／または受信するためのＲＦ送受信機を含んでもよい。通信モジュール１０４０は、任意のタイプの通信リンクを経由してデータ１０７０を伝送および受信してもよく、例えば、通信モジュール１０４０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク等のＲＦネットワークを利用する、無線送受信機を含んでもよい。通信モジュール１０４０は、データの転送を認可されたデバイスのみに限定する認証能力を含んでもよい。加えて、通信モジュール１０４０は、情報への非認証アクセスを防止するために、伝送１０７０の前にデータを暗号化してもよい。いくつかの実施形態では、通信モジュール１０４０は、前述のＩＣ、構成要素、および／またはコードを含む、スマートフォン、スマートウォッチ、タブレット、またはラップトップを含んでもよい。

データ分析モジュール１０５０は、ローカルまたは遠隔にあり得る、データ分析モジュール１０５０のプロセッサによって実行され得る、命令を含有する。いくつかの実施形態では、データ分析モジュール１０５０は、信号調製モジュール１０３０に結合され、ＣＯＰデータを処理および分析し、結果を表示可能な単一装置を提供してもよい。いくつかの実施形態では、データ分析モジュール１０５０は、データ分析モジュール１０５０が負荷センサデータを通信モジュール１０４０から受信するように、負荷センサを伴う装置から近傍または遠隔のラップトップ、デスクトップ、またはクラウドベースの機械であってもよい。データ分析モジュール１０５０が、データを信号調製モジュール１０３０から受信するときでも、通信モジュール１０４０は、バランススコアおよび／または転倒リスク判定の結果を医療プロバイダ等の遠隔場所に中継するように依然として存在してもよい。

データ分析モジュール１０５０は、機械学習技法３３０を適用し、バランススコアおよび転倒リスク情報４３０を判定する、通信モジュール１０４０から、負荷データ３１０またはＣＯＰデータ３２０を受信するようにプログラムされる、プロセッサを含んでもよい。ＨＭＭを含む、機械学習技法３３０は、プロセッサ上で行われてもよい。続いて、プロセッサは、基本ＰＥＭメトリック１５０（例えば、姿勢状態の存在の捕捉を伴うメトリック）と、高度ＰＥＭメトリック２１０（例えば、姿勢状態が空間および時間内でどのように相互に関連するかの捕捉を伴うメトリック）と、基本安定性メトリック４１０とを計算する。高度ＰＥＭメトリックは、メトリック１６０、１７０、１８０以外の任意のメトリックであってもよい。結果は、プロセッサを用いてメモリ内でローカルに記憶されてもよい、次いで、ディスプレイモジュール１０６０または他のディスプレイによる表示のために、または後の読出のための他の記憶装置のために無線で伝送される１０７０。コンピュータプログラムは、データ分析モジュール１０５０によって実行されると、上記の実施形態に説明される機械学習およびバランス積分アルゴリズム４２０を実装または使用してもよい。モジュール１０２０、１０４０、および１０５０は、単一デバイス内に統合される、または２つ、３つ、またはそれを上回るデバイス間に分割されてもよい。

図１０はまた、システムおよびシステム全体を通したデータ伝送の実施形態を図示する。負荷データは、ある時間期間にわたって、２つまたはそれを上回る負荷センサから収集される。収集されるデータは、プロセッサを使用して処理され、ＣＯＰを計算する。プロセッサは、基本姿勢安定性メトリック４１０と、基本ＰＥＭ安定性メトリック４５０および高度ＰＥＭ安定性メトリック２１０を含む、ＨＭＭ技法に基づくＰＥＭメトリックとを計算する、機械学習アルゴリズムを実装する。プロセッサは、これらのメトリックを積分し、バランス出力、転倒リスク出力、または両方を展開する。データは、有線システムまたは無線システムに沿って伝送されることができる１０７０。信号調製モジュール１０３０、通信モジュール１０４０、およびデータ分析モジュール１０５０およびその関連付けられたプロセッサは、バランスデバイス１０１０内に、または付加的デバイス、例えば、タブレットおよびクラウドを横断して位置することができる。

一実施形態では、収集された負荷データ３１０は、最初に、信号調製モジュール１０３０内で処理され得る。負荷データ３１０は、次いで、モバイルデバイス１０４０に、次いで、クラウドベースのデータ分析モジュール１０５０に無線で伝送される１０７０。これらのデータは、プロセッサ上で処理され、ＣＯＰ３２０、続いて、基本姿勢安定性メトリック４１０、基本ＰＥＭ安定性メトリック３５０、および高度ＰＥＭ安定性メトリック２１０を計算する。プロセッサは、これらのメトリック４２０を積分し、転倒リスクおよび単一バランススコア４３０を判定する。結果は、プロセッサによってメモリ内にローカルに記憶され、結果は、表示のためのモバイルデバイス１０４０および記憶装置に無線で伝送され１０７０、さらに、ディスプレイモジュール１０６０による表示のために、バランスデバイス１０１０に伝送される。ディスプレイモジュール１０６０は、バランスデバイス１０１０内に示されるが、ディスプレイモジュール１０６０は、代替として、通信モジュール１０４０を含み、バランスデバイス１０１０と通信する、モバイルデバイス等のシステムの別のデバイス内に位置してもよい。

バランスデバイス１０１０は、スケール、マット、床板、靴、インソール、靴下、歩行器、杖、人工装具、ロボット脚部を含む、任意の種々の負荷検出バランスおよび転倒リスクデバイスであることができる。通信モジュール１０４０は、任意の種々のモバイルデバイス、スマートウォッチ、スマートフォン、タブレット、コンピュータ、クラウドベースのサービス、および／またはデータ分析モジュールであることができる。通信デバイス１０４０がタブレットである場合、ユーザは、試験の間、デバイスを保持する、またはそれをスケールの近傍に持って来る、またはユーザの正面の壁に取り付けてもよい。図１１Ａは、本発明の一実施形態による、通信モジュール１０４０としてタブレットを伴う、バランススケール１０１０の斜視図を図示する。

通信デバイス１０４０がスマートフォンである場合、ユーザは、試験の間、デバイスを保持する、またはそれをスケールの近傍に持って来る、またはユーザの正面の壁に取り付けてもよい。図１１Ｂは、別の本発明の実施形態による、通信モジュール１０４０としてスマートフォンを伴う、バランスデバイス１０１０の斜視図を図示する。図１１Ｃは、本発明のさらに別の実施形態による、通信モジュール１０４０としてクラウドベースのデータ分析モジュール１０５０を伴う、バランスデバイス１０１０の斜視図を図示する。

図１２は、本開示の一実施形態による、スケールバランスデバイスを図示する、分解図である。本実施形態では、２つの主要層が存在する。上部層は、ガラス１２１０または別の半透明材料であって、ケーシング１２２０は、底部層である。負荷ケーシング１２２０の構成要素は、ケーシング１２５０内に格納され、上部層１２１０に添着する。足部１２６０が、ケーシング孔１２３０を通して延在する。外部ボタンまたはスイッチがスケール上に全くなくてもよいが、ディスプレイモジュール１０６０の一部として機能する、番号１２４０のディスプレイが、ケーシング１２５０内に格納されてもよい。

図１３Ａは、本開示の一実施形態による、負荷検出モジュールを図示する、分解図である。負荷検出モジュール１０２０は、負荷ケーシング１２２０と、ロードセル１３１０と、足部１２６０とを含む。ロードセル１３１０は、負荷ケーシング１２２０内に埋設される。負荷ケーシング１２２０は、上部ガラス層１２１０に添着され、力が、本発明の一実施形態に従って、足部１２６０を通して付与され、ロードセル１３１０が変形し、負荷変化を検出することを可能にする。

図１３Ｂは、本開示の一実施形態による、負荷検出モジュールを図示する、側面斜視図である。図１３Ｂは、負荷検出モジュール１０２０の構成要素、すなわち、足部１２６０、ロードセルケーシング１２２０、およびロードセル１３１０が、ともに嵌合する方法を図示する。

図１４Ａは、本開示の一実施形態による、スケールバランスデバイスを図示する、側面斜視図である。図１４Ｂは、バランスデバイスの１つのバージョンの背面斜視図を示す。本実施形態では、ケーシング１２５０は、上部層１２１０の面積に完全に合致しないが、代わりに、部分的被覆を伴う、成形されたケーシング１２５０である。

図１５は、本開示の一実施形態による、スケールバランスデバイスおよびディスプレイを図示する、平面図である。ディスプレイモジュール１０６０は、少なくとも２インチの長さの４つの７セグメントＬＥＤ１２４０と、バランスデバイス１０１０の半透明上部表面１２１０を通して閃光照明効果を提供するためのケーシング全体を通して複数のＬＥＤ光１５１０とを含んでもよい。閃光照明は、本発明の一実施形態に従って、図３のブロック３４０において判定される転倒リスクのインジケーションを提供し、赤色は、転倒の高リスク７１０であって、黄色は、中程度のリスク７２０であって、緑色は、低リスク７３０である。番号１２４０のサイズおよびリスク因子の照明は、ユーザがディスプレイ１２４０を見るためにかがむことを要求せずに、ユーザにその結果を提供するように定寸されてもよい。

スケール構造において周知である、標準的材料が、スケールを作製するために使用されることができる。これは、ケーシング１２５０、負荷ケーシング１２２０、および足部１２６０のためのプラスチック射出成形、フィルム、エッチング、塗料、またはそれらの技法の任意の組み合わせによって半透明に作製される、上部層１２１０のための強化ガラスを含んでもよい。

一実施形態では、バランス測定スケールは、ユーザ入力を要求しないように、任意の外部ボタンおよびスイッチがなくてもよい。スケール１０１０はまた、薄型かつ標準的歩行器車軸の幅より狭い、バランスデバイス１０１０上の視覚的ディスプレイ１０６０を照明する、好ましくは、少なくとも約２インチの長さの照明番号１２４０を含む。姿勢制御の２つのモデルからのメトリックのアレイを利用することは、バランスおよび転倒リスク検出のためのロバストな測定システムを生成する。その結果、安全試験手順の間、混乱因子または感覚操作を伴わずに、眼を開いた状態で起立しながら、バランスおよび転倒リスクを検出する能力がもたらされる。さらに、複合バランススコア４３０は、姿勢安定性を描写するために必要な非常に複雑な分析をユーザによって容易に理解される１〜１０の単一バランススコアに簡略化し得る。要するに、本システムは、高齢者または任意のユーザに、臨床医またはアシスタントのいずれも伴わずに、教師なしで自身で試験する能力を提供する。

使用時、ユーザは、スケール１０１０に乗り、快適な立位をとり、可能な限り静止したままでいることになるであろう。スケール１０１０および／または通信モジュール１０４０上に、試験が開始したことを示す通知があってもよい。一実施形態では、試験持続時間は、６０秒である。試験終了時、試験完了を示すための通知音および／または光があってもよい。体重が、スケール１０１０および／またはリンクされたモバイルデバイス上に表示されてもよい。次いで、バランススコアが、スケール１０１０および／またはリンクされたモバイルデバイス上に表示されてもよい１０６０。転倒リスクもまた、色がリスク分類を表す、照明されたディスプレイ１０６０を介して等、スケール１０１０および／またはリンクされたモバイルデバイス上に表示されてもよい１０６０。

上記の本発明の実施形態は、個人の転倒リスクを推定するための機械学習アルゴリズムと、基本ＰＥＭメトリックおよび高度ＰＥＭメトリック等の種々のメトリックとの使用を説明する。各個々のメトリックは、ＰＥＭまたは基本であるかどうかにかかわらず、切り離して見ると、不安定性を検出するための限定された判別力を有する。例えば、図１６Ａ−Ｃは、図１６Ａに示される平衡の回数、図１６Ｂに示される平衡滞留時間等のＰＥＭメトリック、および図１６Ｃに示される９５％信頼性動揺楕円形の基本メトリックに関する、正常対象の眼を開いた条件と眼を閉じた条件との間の結果におけるわずかまたは小さな差異を示す。その結果、同一メトリックが、高度ＰＥＭメトリック（ＨＭＭによって生成される姿勢状態間の時間および空間における関係を考慮するメトリック等）と組み合わせられると、自己試験を含めた７８名の高齢成人の研究において、転倒リスクにある個人を正しく識別するとは予期されなかった。ＰＥＭ分析の利点は、より優れたダイナミズムが、検出され、したがって、安全な眼を開いた起立プロトコルが、使用されることができ、自己試験が、個人を危険に曝さずに可能であることである。これは、対象のバランスを誘発し、弱点を曝させ、多くの場合、臨床医／オペレータに、転倒する個人に対処するために捕獲する準備をさせることを要求する、大部分のバランス試験とは対照的である。

図２、図３、および図４の概略フローチャートは、概して、論理フローチャート略図として記載される。したがって、描写される順序および標識されるステップは、開示される方法の側面を示す。図示される方法の１つまたはそれを上回るステップまたはその一部と機能、論理、または効果上均等物である、他のステップおよび方法も、想起され得る。加えて、採用されるフォーマットおよび記号は、方法の論理ステップを説明するために提供され、方法の範囲を限定するものと理解されるものではない。種々の矢印タイプおよび線タイプが、フローチャート略図において採用され得るが、それらは、対応する方法の範囲を限定するものと理解されるものではない。実際には、いくつかの矢印または他のコネクタは、方法の論理フローのみを示すために使用され得る。例えば、矢印は、描写される方法の列挙されたステップ間の規定されていない持続時間の待機または監視期間を示し得る。加えて、特定の方法が生じる順序は、示される対応するステップの順序に厳密に従ってもよい、またはそうではなくてもよい。

ファームウェアおよび／またはソフトウェア内に実装される場合、前述の機能は、コンピュータ可読媒体上の１つまたはそれを上回る命令またはコードとして記憶されてもよい。実施例として、データ構造でエンコードされた非一過性コンピュータ可読媒体およびコンピュータプログラムでエンコードされたコンピュータ可読媒体が挙げられる。コンピュータ可読媒体は、物理的コンピュータ記憶媒体を含む。記憶媒体は、コンピュータによってアクセスされ得る、任意の利用可能な媒体であってもよい。限定ではないが、一例として、そのようなコンピュータ可読媒体として、ランダムアクセスメモリ（ＲＡＭ）、読取専用メモリ（ＲＯＭ）、電気的に消去可能なプログラマブル読取専用メモリ（ＥＥＰＲＯＭ）、コンパクトディスク読取専用メモリ（ＣＤ−ＲＯＭ）または他の光ディスク記憶、磁気ディスク記憶または他の磁気記憶デバイス、または所望のプログラムコードを命令またはデータ構造の形態で記憶するために使用され得、コンピュータによってアクセスされ得る、任意の他の媒体が挙げられ得る。ディスク（ｄｉｓｋおよびｄｉｓｃ）は、コンパクトディスク（ＣＤ）、レーザディスク、光学ディスク、デジタル多用途ディスク（ＤＶＤ）、フロッピー（登録商標）ディスク、およびＢｌｕ−ｒａｙ（登録商標）ディスクを含む。概して、ディスク（ｄｉｓｋ）は、データを磁気的に再生し、ディスク（ｄｉｓｃ）は、データを光学的に再生する。前述の組み合わせもまた、コンピュータ可読媒体の範囲内に含まれるべきである。

コンピュータ可読媒体上の記憶に加え、命令および／またはデータは、通信装置内に含まれる伝送媒体上の信号として提供されてもよい。例えば、通信装置は、命令およびデータを示す信号を有する、送受信機を含んでもよい。命令およびデータは、１つまたはそれを上回るプロセッサに、請求項に概略された機能を実装させるように構成される。

本開示およびある代表的利点が詳細に説明されたが、種々の変更、代用、および改変が、添付の請求項によって定義される本開示の精神および範囲から逸脱することなく、本明細書に成され得ることを理解されたい。さらに、本願の範囲は、明細書に説明されるプロセス、機械、製造、組成物、手段、方法、およびステップの特定の実施形態に限定されるものと意図されない。例えば、プロセッサが、発明を実施するための形態全体を通して説明されたが、本発明の側面は、グラフィック処理ユニット（ＧＰＵ）、中央処理ユニット（ＣＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、および／または前述の命令および方法を実行するファームウェアまたはソフトウェアを実行するように構成される他の回路を含む、任意のタイプのプロセッサによって実行されてもよい。当業者が本開示から容易に理解するであろうように、本明細書に説明される対応する実施形態と実質的に同一機能を行う、または実質的に同一結果を達成する、現在既存である、または後に開発される、プロセス、機械、製造、組成物、手段、方法、およびステップが、利用されてもよい。故に、添付の請求項は、その範囲内に、そのようなプロセス、機械、製造、組成物、手段、方法、およびステップを含むことが意図される。

Claims (20)

1. プロセッサによって、ある時間期間にわたって、複数の負荷データ点を少なくとも２つの負荷検出モジュールから受信することと、
   前記プロセッサによって、機械学習アルゴリズムを前記複数の負荷データ点に適用することによって、転倒リスクを推定することと
   を含む方法であって、前記転倒リスクを推定するステップは、
   少なくとも部分的に、前記複数の負荷データ点に基づいて、圧力中心（ＣＯＰ）データを計算することと、
   少なくとも部分的に、前記圧力中心（ＣＯＰ）データに基づいて、隠れマルコフモデル技法を用いて識別された複数の姿勢状態を判定することと、
   少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックを計算することであって、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態の存在に対応するメトリックを含む、ことと、
   少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックを計算することであって、前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態間の空間および時間にわたる関係に対応するメトリックを含む、ことと、
   少なくとも部分的に、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、前記転倒リスクを判定することと
   を含む、方法。
2. 前記転倒リスクを推定するステップはさらに、少なくとも１つの基本非ＰＥＭメトリックをＣＯＰから計算することを含む、請求項１に記載の方法。
3. 前記少なくとも１つの基本非ＰＥＭメトリックは、内外側ＣＯＰピーク動揺、前後ＣＯＰピーク動揺、内外側動揺の標準偏差、前後動揺の標準偏差、ＣＯＰの平均速度、所定の速度を上回る試行の割合、前記ＣＯＰデータの９５％を含む楕円形の半径、前記ＣＯＰデータの９５％を含む円形の半径、および二乗平均平方根（ＲＭＳ）速度のうちの少なくとも１つを備える、請求項２に記載の方法。
4. 前記１つまたはそれを上回る基本ＰＥＭ安定性メトリック、前記１つまたはそれを上回る高度ＰＥＭ安定性メトリック、および前記少なくとも１つの基本非ＰＥＭメトリックのメトリックの加重された平均を計算することによって、バランススコアを計算することをさらに含む、請求項２に記載の方法。
5. 前記１つまたはそれを上回る基本ＰＥＭ安定性メトリックは、平衡の回数、平衡下にある滞留時間、および各平衡のサイズのうちの少なくとも１つを備える、請求項１に記載の方法。
6. 前記高度ＰＥＭ安定性メトリックは、平衡までの時間、平衡距離、平衡重複、パーセント平衡、平均平衡持続時間、および指向性平衡のうちの少なくとも１つを備える、請求項１に記載の方法。
7. 前記転倒リスクを分類するさらなるステップをさらに含み、前記転倒リスク分類は、少なくとも高リスク、中程度のリスク、および低リスクを備える、分類閾値に基づく、請求項１に記載の方法。
8. 前記転倒リスクを推定するステップは、臨床記録、運動、生活様式入力、体重、体脂肪組成、ボディマス指数、水和レベル、薬剤消費、アルコール消費、睡眠、１日あたりの歩数、運動、および座っている時間のうちの少なくとも１つを用いて前記機械学習アルゴリズムを適用することを含む、請求項１に記載の方法。
9. 前記複数の負荷データ点を受信するステップは、前記複数の負荷データ点をスケール、床板、マット、靴、インソール、靴下、歩行器、杖、人工装具、およびロボット脚部のうちの少なくとも１つ上の負荷センサから取得することを含む、請求項１に記載の方法。
10. 前記転倒リスクを推定するステップはさらに、少なくとも前記複数の姿勢状態および前記複数の姿勢状態のうちの少なくとも１つと別の姿勢状態との間で遷移する確率に基づいて、ある時点における姿勢を判定することを含み、前記姿勢状態は、静的姿勢状態または動的姿勢状態のうちの少なくとも１つである、請求項１に記載の方法。
11. 人の姿勢安定性および転倒リスクを判定するためのシステムであって、前記システムは、
    複数の負荷データ点を取得するように構成される２つまたはそれを上回る負荷検出モジュールと、
    前記負荷検出モジュールに結合された信号調製モジュールであって、前記信号調製モジュールは、前記複数の負荷データ点を伝送可能形態に変換するように構成される、信号調製モジュールと、
    前記信号調製モジュールに結合された通信モジュールであって、前記通信モジュールは、
    前記複数の負荷データ点を前記信号調製モジュールから受信することと、
    前記複数の負荷データ点を伝送することと
    を行うように構成される、通信モジュールと、
    前記信号調製モジュールから受信された前記複数の負荷データ点を分析するように構成されるデータ分析モジュールであって、前記データ分析モジュールは、
    少なくとも部分的に、前記複数の負荷データ点に基づいて、圧力中心（ＣＯＰ）データを計算することと、
    少なくとも部分的に、前記圧力中心（ＣＯＰ）データに基づいて、隠れマルコフモデル技法を用いて識別された複数の姿勢状態を判定することと、
    少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックを計算することであって、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態の存在に対応するメトリックを含む、ことと、
    少なくとも部分的に、前記複数の姿勢状態に基づいて、１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックを計算することであって、前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態間の空間および時間にわたる関係に対応するメトリックを含む、ことと、
    少なくとも部分的に、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、前記転倒リスクを判定することと
    を含むステップを行うように構成される、データ分析モジュールと、
    前記データ分析モジュールに結合されたディスプレイモジュールであって、前記ディスプレイモジュールは、少なくとも前記転倒リスクのインジケーションを備える、前記データ分析モジュールからの結果を表示するように構成される、ディスプレイモジュールと
    を備える、システム。
12. 前記２つまたはそれを上回る負荷検出モジュールは、４つの負荷検出モジュールを備え、前記４つの負荷検出モジュールは、透明または半透明上部層を伴うケーシング内に格納される、請求項１１に記載のシステム。
13. 前記ディスプレイモジュールは、前記上部層の一部または全部を通して可視である、前記結果の照明を備える、請求項１２に記載のシステム。
14. 前記ディスプレイモジュールは、赤色、黄色、および緑色のうちの少なくとも１つにおいて閃光効果を生成する複数のＬＥＤ光列を備える、請求項１１に記載のシステム。
15. 前記通信モジュールは、モバイルデバイス、スマートウォッチ、スマートフォン、タブレット、およびコンピュータのうちの少なくとも１つの一部である、請求項１１に記載のシステム。
16. 装置であって、前記装置は、
    複数の負荷データ点を取得するように構成される２つまたはそれを上回る負荷検出モジュールと、
    前記負荷検出モジュールに結合された信号調製モジュールであって、前記信号調製モジュールは、前記複数の負荷データ点を伝送可能形態に変換するように構成される、信号調製モジュールと、
    前記信号調製モジュールに結合された通信モジュールであって、前記通信モジュールは、
    前記複数の負荷データ点をデータ分析モジュールに伝送することであって、前記データ分析モジュールは、前記複数の負荷データ点に基づいて１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに対して計算する機械学習アルゴリズムを実行するように構成され、かつ、少なくとも部分的に、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックおよび前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックに基づいて、転倒リスクを計算するように構成される、ことと、
    前記データ分析モジュールから、前記転倒リスクを受信することと
    を行うように構成され、前記１つまたはそれを上回る基本断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態の存在に対応するメトリックを含み、前記１つまたはそれを上回る高度断続平衡モデル（ＰＥＭ）安定性メトリックは、前記複数の姿勢状態間の空間および時間にわたる関係に対応するメトリックを含む、通信モジュールと、
    前記受信された転倒リスクのインジケーションを表示するように構成されるディスプレイモジュールと
    を備える、装置。
17. 前記２つまたはそれを上回る負荷検出モジュールは、透明または半透明上部層を伴うケーシング内に格納され、前記ディスプレイモジュールは、前記上部層の一部または全部を通して可視である、前記転倒リスクの照明を備える、請求項１６に記載の装置。
18. 前記ディスプレイモジュールは、前記転倒リスクの分類に対応する閃光効果を生成する複数のＬＥＤ光を備える、請求項１６に記載の装置。
19. 前記通信モジュールは、モバイルデバイスを通して前記データ分析モジュールと通信するように構成される、請求項１６に記載の装置。
20. 前記通信モジュールは、インターネットを通して前記データ分析モジュールと通信するように構成される、請求項１６に記載の装置。

Images