WO2024248484A1 - 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템 - Google Patents

뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템 Download PDF

Info

Publication number
WO2024248484A1
WO2024248484A1 PCT/KR2024/007338 KR2024007338W WO2024248484A1 WO 2024248484 A1 WO2024248484 A1 WO 2024248484A1 KR 2024007338 W KR2024007338 W KR 2024007338W WO 2024248484 A1 WO2024248484 A1 WO 2024248484A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
electromyography
fall
risk
signals
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.)
Ceased
Application number
PCT/KR2024/007338
Other languages
English (en)
French (fr)
Inventor
이우형
오병모
서한길
현성은
김정현
김동주
김학승
한태성
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.)
Korea University Research and Business Foundation
Seoul National University Hospital
Original Assignee
Korea University Research and Business Foundation
Seoul National University Hospital
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 Korea University Research and Business Foundation, Seoul National University Hospital filed Critical Korea University Research and Business Foundation
Publication of WO2024248484A1 publication Critical patent/WO2024248484A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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—Measuring 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 or mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring 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 or mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6828—Leg
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Definitions

  • the present invention relates to a method and system for predicting falls based on electromyography signals of stroke patients.
  • Stroke is a major cause of disability worldwide, and the most common symptoms include muscle weakness and contractures, impaired motor control, etc., resulting in decreased functional independence in performing daily life, quality of life, and activities.
  • conventional stroke exercise rehabilitation treatment patients are constantly exposed to the risk of falling while undergoing exercise rehabilitation, and since falls actually occur in patients, special attention is required for patients with a high risk of falling.
  • the therapist directly evaluates and scores the patient's various balance movements, walking movements, and daily living activities.
  • this method can take a long time depending on the therapist's proficiency, is difficult to make quantitative judgments, and requires the patient to perform movements separate from the actual treatment, which shortens the patient's rehabilitation treatment time.
  • Another conventional method of predicting the risk of falls uses expensive balance assessment equipment to evaluate the patient's risk of falls, which makes it difficult to obtain the equipment even in general hospitals.
  • the conventional method of predicting the risk of falls when evaluating the patient's risk of falls, the patient is often asked to stand or walk. Even if there is an assistive device or a therapist for safety, the measurement of the risk of falls itself exposes the patient to the risk of falls if it is difficult to stand or walk.
  • the technical problem of the present invention is to solve the problems of the prior art as described above.
  • the technical problem to be achieved by the present embodiment is not limited to the technical problem described above, and other technical problems can be inferred from the following examples.
  • a method for predicting a fall based on an electromyography signal of a stroke patient includes the steps of: attaching an electromyography sensor to a first portion of lower limb muscles of the patient; measuring an electromyography signal of the patient performing a movement motion for collecting the electromyography signal through the electromyography sensor attached to the first portion; and determining a risk of fall of the patient based on the measured electromyography signal.
  • the first part may be any one of the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius (GC), and after the step of determining the fall risk of the patient, the method further includes the step of providing the determined fall risk of the patient to the patient or a manager, and the step of measuring the EMG signal may include the step of measuring the EMG signal using a maximal voluntary isometric contraction (MVIC) of the first part.
  • TTL tensor fascia lata
  • RF rectus femoris
  • TA tibialis anterior
  • GC gastrocnemius
  • a method for predicting a fall based on an electromyogram signal of a stroke patient may further include a step of attaching an inertial sensor to a first portion of lower limb muscles of the patient; a step of measuring an inertial sensor signal of the patient through the inertial sensor attached to the first portion; and a step of determining a risk of fall of the patient based on the measured inertial sensor signal.
  • the step of determining the risk of falling of the patient based on the measured EMG signal may include a step of determining the risk of falling of the patient based on the amplitude of the EMG signal, the area of the waveform of the EMG signal, or the ratio of the EMG signal on the paretic side to the EMG signal on the non-paretic side.
  • a method for predicting a fall based on an electromyography signal of a stroke patient may include the steps of: attaching electromyography sensors to first and second portions of lower extremity muscles of the patient; measuring an electromyography signal of the patient performing a motor movement for collecting the electromyography signal through the electromyography sensors attached to the first and second portions; and determining a risk of fall of the patient based on the measured electromyography signal.
  • the first part is the tensor fascia lata (TFL) and the second part is the rectus femoris (RF), and after the step of determining the patient's risk of falling, the method may further include a step of providing the determined risk of falling of the patient to the patient or a manager.
  • TTL tensor fascia lata
  • RF rectus femoris
  • the step of attaching the EMG sensor further includes a step of attaching the EMG sensor to a third part among the lower extremity muscles of the patient
  • the step of measuring the EMG signal further includes a step of measuring the EMG signal of the patient performing an exercise motion for collecting the EMG signal through the EMG sensor attached to the third part, in which case the third part may be the tibialis anterior (TA) muscle or the gastrocnemius (GC) muscle.
  • TA tibialis anterior
  • GC gastrocnemius
  • the step of attaching the EMG sensor may further include a step of attaching the EMG sensor to a third portion and a fourth portion among the lower extremity muscles of the patient
  • the step of measuring the EMG signal may further include a step of measuring the EMG signal of the patient performing an exercise motion to collect the EMG signal through the EMG sensors attached to the third portion and the fourth portion
  • the third portion may be the tibialis anterior (TA) muscle and the fourth portion may be the gastrocnemius (GC) muscle.
  • the step of measuring the EMG signal may include a step of measuring the EMG signal using the maximum voluntary isometric contraction (MVIC) of the first part, the second part, the third part, and the fourth part.
  • MVIC maximum voluntary isometric contraction
  • a fall prediction system based on an electromyogram signal of a stroke patient comprises: a memory; and at least one processor connected to the memory, wherein the at least one processor is configured to: measure an electromyogram signal of the patient performing a motor movement for collecting the electromyogram signal through an electromyogram sensor attached to a first portion of lower limb muscles of the patient; and determine a fall risk of the patient based on an amplitude of the measured electromyogram signal.
  • the first portion is any one of the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius (GC), and the at least one processor is further configured to provide the determined fall risk of the patient to the patient or a manager, and may be configured to measure an electromyography signal using a maximal voluntary isometric contraction (MVIC) of the first portion.
  • TTL tensor fascia lata
  • RF rectus femoris
  • TA tibialis anterior
  • GC gastrocnemius
  • the at least one processor may be further configured to: attach an inertial sensor to the first portion of the patient's lower extremity muscles; measure an inertial sensor signal of the patient through the inertial sensor attached to the first portion; and determine a fall risk of the patient based on the measured inertial sensor signal.
  • determining the risk of falling of the patient based on the measured EMG signal may include determining the risk of falling of the patient based on the amplitude of the EMG signal, the area of the waveform of the EMG signal, or the ratio of the EMG signal on the paretic side to the EMG signal on the non-paretic side.
  • a fall prediction system based on an electromyography signal of a stroke patient comprises: a memory; and at least one processor connected to the memory, wherein the at least one processor is configured to: measure an electromyography signal of a patient performing a motor movement for collecting the electromyography signal through electromyography sensors attached to first and second portions of lower extremity muscles of the patient; and determine a fall risk of the patient based on an amplitude of the measured electromyography signal.
  • the first portion is the tensor fascia lata (TFL) muscle
  • the second portion is the rectus femoris (RF) muscle
  • the at least one processor can be further configured to provide the determined fall risk of the patient to the patient or a manager.
  • the at least one processor is further configured to measure the EMG signal of the patient performing an exercise motion to collect the EMG signal via the EMG sensor attached to a third part of the lower extremity muscles of the patient, wherein the third part may be the tibialis anterior (TA) muscle or the gastrocnemius (GC) muscle.
  • TA tibialis anterior
  • GC gastrocnemius
  • the at least one processor is further configured to measure the EMG signal of the patient performing an exercise motion to collect the EMG signal through the EMG sensors attached to third and fourth parts of the lower extremity muscles of the patient, wherein the third part may be the tibialis anterior (TA) muscle and the fourth part may be the gastrocnemius (GC) muscle.
  • TA tibialis anterior
  • GC gastrocnemius
  • the at least one processor may be configured to measure an electromyography signal using a maximal voluntary isometric contraction (MVIC) of the first portion, the second portion, the third portion and the fourth portion.
  • MVIC maximal voluntary isometric contraction
  • a computer-readable storage medium can record a program for performing a method according to the above embodiments.
  • the fall prediction method and system of the present invention evaluates the risk of a stroke patient falling while in bed.
  • the present invention can reduce the risk of falling by enabling the risk of a patient falling to be evaluated without the patient leaving the bed.
  • the fall prediction method and system of the present invention measure the risk of a stroke patient's fall using only the minimum muscle signals of the stroke patient, so it is low-cost and requires only a simple attachment operation, so there is no great difficulty in operating the device.
  • the present invention since the present invention requires the stroke patient to perform only a few simple measurement movements on the bed after attaching the electromyography sensor, the risk of a fall can be quickly measured.
  • the fall prediction method and system of the present invention provide the effect of being able to quantitatively measure the patient's fall risk regardless of the skill of the manager by determining the patient's fall risk by measuring the patient's electromyography signal.
  • a patient's fall risk can be quickly and easily confirmed even during treatment time, and an effective fall prediction method and system can be provided that is quantitative, low-cost, and can be safely measured in bed without exposing the patient to the risk of falling.
  • FIG. 1 is a diagram illustrating a fall prediction system according to one embodiment.
  • Figure 2 is a diagram showing EMG signals acquired from the lower limb muscles during MVIC of a healthy individual and a stroke patient.
  • connection may include one element/feature being directly connected or coupled to another element/feature, or indirectly connected or coupled via another element/feature, and does not necessarily mean directly mechanically connected or coupled.
  • connection may include one element/feature being directly connected or coupled to another element/feature, or indirectly connected or coupled via another element/feature, and does not necessarily mean directly mechanically connected or coupled.
  • transmitting or “receiving” in this specification may include not only directly transmitting or receiving information between a transmitter and a receiver, but also transmitting or receiving information through another entity, unless otherwise stated.
  • FIG. 1 is a block diagram illustrating a fall prediction system according to one embodiment.
  • a fall prediction system (100) may include a processor (110) and a memory (120) and may receive signals from a patient and provide information to the patient or a manager.
  • the fall prediction system (100) illustrated in FIG. 1 only illustrates components related to the present embodiments. Therefore, it is obvious to those skilled in the art that the fall prediction system (100) may further include other general components in addition to the components illustrated in FIG. 1, and the fall prediction system (100) may be implemented in the form of one or more servers/devices.
  • the fall prediction system (100) may operate independently, or may operate in conjunction with a server and/or a mobile terminal. In this case, the fall prediction system (100) may provide an interface for triggering each operation to the server and/or the mobile terminal.
  • the processor (110) may be configured to perform each step performed by the fall prediction system (100). Meanwhile, in another embodiment, certain steps may be performed under the intervention of an administrator. Hereinafter, a specific operation method performed by the fall prediction system (100) using the processor (110) will be described in detail.
  • the fall prediction system (100) can measure the electromyography signal of a stroke patient on a bed.
  • the fall prediction system (100) since only a simple attachment operation is required when measuring the patient's risk of falling, there is no great difficulty for an administrator to operate the system. That is, the administrator can attach a surface electromyography sensor to at least one part of the patient's lower extremity muscles in order to measure the patient's risk of falling.
  • the part of the patient's lower extremity muscles to which the electromyography sensor is attached may be at least one of the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius medialis (GC), but is not limited thereto.
  • the fall prediction system (100) of the present invention aims to accurately measure the patient's fall risk by using the minimum number of EMG sensors targeting the minimum number of muscles.
  • the fall prediction system (100) of the present invention measures the electromyography signals of the tensor fascia lata (TFL), rectus femoris (RF), tibialis anterior (TA), and gastrocnemius medialis (GC) among the lower extremity muscles of the patient.
  • the reason why the tensor fascia lata (TFL) was selected instead of the gluteal muscles as a target for measuring EMG signals in the fall prediction system (100) of the present invention is that the tensor fascia lata (TFL) has relatively thin subcutaneous fat tissue and is unlikely to be mechanically stimulated while measuring EMG signals in the supine and side-lying positions.
  • the tensor fascia lata (TFL) plays a major role in balance control during one-legged standing and walking, and acts as one of the core muscles for pelvic stabilization during one-legged standing.
  • the reason why the rectus femoris (RF) was selected as a target for measuring EMG signals in the fall prediction system (100) of the present invention is that the rectus femoris (RF) is one of the quadriceps femoris muscles that plays an essential role in functional movements such as standing, walking, and running, as well as in balance control, as a major extensor of the knee.
  • the fall prediction system (100) can attach an electromyography sensor to a first portion of the patient's lower extremity muscles and measure an electromyography signal from the electromyography sensor attached to the first portion. At this time, the fall prediction system (100) can measure the electromyography signal using the maximum voluntary isometric contraction (MVIC) of the first portion.
  • the first portion can be selected from the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius medialis (GC). More preferably, the first portion can be the tensor fascia lata (TFL).
  • a location where an EMG sensor is attached to measure an EMG signal may be, for example, a point two finger widths in front of the greater trochanter in the case of the tensor fascia lata (TFL); a point halfway along a line from the anterior superior iliac spine to the top of the patella in the case of the rectus femoris (RF); a point one third of a line from the fibular head to the medial malleolus in the case of the tibialis anterior (TA); and a point one quarter of a line from the medial side of the popliteus cavity to the medial side of the Achilles tendon in the case of the medial side of the gastrocnemius (GC).
  • TTL tensor fascia lata
  • RF rectus femoris
  • TA tibialis anterior
  • GC gastrocnemius
  • the patient performs an exercise motion to collect an EMG signal.
  • the patient can be educated in advance by the manager about the exercise motion to collect an EMG signal to be performed by the patient.
  • the exercise motion to collect an EMG signal can be at least one of a lying down position, a lying sideways position, and a sitting position on a bed, but is not limited thereto, and any exercise motion that the patient can perform on a bed is possible.
  • the patient can perform specific exercise movements to contract four lower extremity muscles (TFL, RF, TA, GC).
  • TTL lower extremity muscles
  • RF tensor fascia lata
  • TA gastrocnemius medialis
  • GC gastrocnemius medialis
  • the fall prediction system and method of the present invention can provide the effect of being able to measure the fall risk of stroke patients who have difficulty even sitting up because the risk of falling can be determined simply by the patient contracting the lower extremity muscles even when the patient is in a lying position.
  • the fall prediction system (100) can store the measured EMG signal and the amplitude thereof in the memory (120). In addition, the fall prediction system (100) can determine the patient's risk of falling based on the amplitude of the measured EMG signal. The patient's risk of falling can be classified into levels according to the degree, and can be expressed as a score, but is not limited thereto, and can be expressed and/or determined through a numerical value or classification system that can express the patient's risk of falling.
  • the fall prediction system (100) can provide information on the amplitude of the measured electromyography signal of the patient and/or the risk of the patient falling determined therefrom to the patient or the manager.
  • the fall prediction system (100) can further include an output device such as a display or a speaker, and can provide information to the patient or the manager through these output devices.
  • the fall prediction system (100) can display information on the amplitude of the measured electromyography signal of the patient and/or the risk of the patient falling determined therefrom on the display or output it audibly through the speaker.
  • a fall prediction system can attach electromyography sensors to two parts of lower extremity muscles of a patient, i.e., a first part and a second part, measure electromyography signals from the electromyography sensors attached to the first part and the second part, and determine the risk of the patient's fall based on the amplitude of the measured electromyography sensors.
  • the first part and the second part can be selected from the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius medial (GC). More preferably, the first part can be the tensor fascia lata (TFL) and the second part can be the rectus femoris (RF).
  • a fall prediction system may attach electromyography sensors to three parts of lower extremity muscles of a patient, that is, a first part, a second part, and a third part, measure electromyography signals from the electromyography sensors attached to the first part, the second part, and the third part, and determine the risk of the patient's fall based on the amplitude of the measured electromyography sensors.
  • the first part, the second part, and the third part may be selected from the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius medial (GC). More preferably, the first part may be the tensor fascia lata (TFL), the second part may be the rectus femoris (RF), and the third part may be the tibialis anterior (TA).
  • a fall prediction system may attach electromyography sensors to four parts of lower extremity muscles of a patient, namely, a first part, a second part, a third part, and a fourth part, measure electromyography signals from the electromyography sensors attached to the first part, the second part, the third part, and the fourth part, and determine the risk of the patient's fall based on the amplitude of the measured electromyography sensors.
  • the first part, the second part, the third part, and the fourth part may be the tensor fascia lata (TFL), the rectus femoris (RF), the tibialis anterior (TA), and the gastrocnemius medialis (GC), respectively.
  • the fall prediction system (100) can measure electromyography signals using the maximal voluntary isometric contraction (MVIC) of the patient's lower extremity muscles (TFL, RF, TA, GC).
  • MVIC maximal voluntary isometric contraction
  • a fall prediction system based on an electromyogram signal of a stroke patient may additionally utilize an inertial sensor signal from an inertial sensor in addition to an electromyogram signal.
  • an inertial sensor may be attached to a first portion of the patient's lower extremity muscles, an inertial sensor signal of the patient may be measured through the inertial sensor attached to the first portion, and the patient's fall risk may be determined based on the measured inertial sensor signal. Since the inertial sensor signal together with the electromyogram signal is used as input data for a fall prediction model, the patient's fall risk may be determined more accurately.
  • a fall prediction system based on an electromyography signal of a stroke patient determines the risk of the patient's fall based on the measured electromyography signal, and may determine the risk of the patient's fall based on the amplitude of the electromyography signal, the area of the waveform of the electromyography signal, or the ratio of the electromyography signal of the paretic side to the electromyography signal of the non-paretic side.
  • the risk of the patient's fall may be determined based on the maximum value of the amplitude of the electromyography signal, more specifically, the maximum value of the root mean square (RMS) value of the amplitude of the electromyography signal.
  • RMS root mean square
  • a fall prediction system based on EMG signals of stroke patients can determine the risk of a patient's fall based on the area between the EMG signal waveform and the time axis.
  • the EMG signal waveform of the lower limb muscles tends to have a wider area in healthy cases than in cases showing paralysis symptoms. That is, as can be seen in Fig. 2, as the BBS value decreases, the area of the EMG signal waveform and the time axis decreases.
  • a fall prediction system based on EMG signals of a stroke patient can determine the risk of the patient's fall based on the ratio of the EMG signal of the paretic side to the EMG signal of the non-paretic side.
  • the tensor fasciae latae (TFL), rectus femoris (RF), tibialis anterior (TA), or gastrocnemius (GC) on the right may show symptoms of paralysis
  • the tensor fasciae latae (TFL), rectus femoris (RF), tibialis anterior (TA), or gastrocnemius (GC) on the left may not show symptoms of paralysis and may be healthy.
  • the system of the present invention can calculate the ratio of the EMG signal of the paretic side to the EMG signal of the non-paretic side, and determine the risk of the patient's fall based on the ratio.
  • the maximum value of the RMS value of the EMG signal amplitude for the right tensor fascia lata (TFL) muscle, which is paralyzed can be divided by the maximum value of the RMS value of the EMG signal amplitude for the left tensor fascia lata (TFL) muscle, which is non-paralyzed, and the patient's risk of falling can be determined using that value.
  • the processor (110) may correspond to a processor (110) provided in various types of computing devices such as a personal computer (PC), a server device, a mobile device, an embedded device, an Internet of Things (IoT) device, etc.
  • the processor (110) may correspond to a processor (110) such as a central processing unit (CPU), a graphics processing unit (GPU), an application processor (AP), a neural processing unit (NPU), etc., but is not limited thereto.
  • the processor (110) may be implemented as an array of a plurality of logic gates, or may be implemented as a combination of a general-purpose microprocessor and a memory (120) storing a program that can be executed on the microprocessor. Additionally, it will be understood by those skilled in the art to which the present embodiment pertains that the processor (110) may be implemented as other types of hardware.
  • the memory (120) is hardware that stores various data processed by the processor (110), and can store information about, for example, data received from a patient or user, data transmitted to a patient or user, and data generated by the fall prediction system (100). In addition, the memory (120) can store various programs or applications to be driven by the processor (110).
  • the memory (120) may include at least one of volatile memory and nonvolatile memory.
  • Nonvolatile memory includes Read Only Memory (ROM), Programmable ROM (PROM), Electrically Programmable ROM (EPROM), Electrically Erasable and Programmable ROM (EEPROM), flash memory, Phase-change RAM (PRAM), Magnetic RAM (MRAM), Resistive RAM (RRAM), Ferroelectric RAM (FeRAM), etc.
  • Volatile memory includes Dynamic RAM (DRAM), Static RAM (SRAM), Synchronous DRAM (SDRAM), PRAM, Magnetic RAM (MRAM), Resistive RAM (RRAM), etc.
  • the memory (120) may be implemented as at least one of a Hard Disk Drive (HDD), a Solid State Drive (SSD), a compact flash (CF), a secure digital (SD), a micro secure digital (Micro-SD), a mini secure digital (Mini-SD), an extreme digital (xD), or a Memory Stick.
  • HDD Hard Disk Drive
  • SSD Solid State Drive
  • CF compact flash
  • SD secure digital
  • Micro-SD micro secure digital
  • Mini-SD mini secure digital
  • xD extreme digital
  • Memory Stick a Memory Stick
  • fall prediction system of the present invention which measures a patient's fall risk using a minimum number of electromyography sensors targeting a minimum number of muscles, is described in order to solve problems of conventional fall prediction systems.
  • BSS Berg Balance Scale
  • Morse Falls Scale the Morse Falls Scale
  • Chedoke-McMaster Stroke Impairment Inventory the Functional Independent Measure.
  • BVS Berg Balance Scale
  • a manager directly assesses the patient's fall risk by observing the patient performing various balance movements, gait movements, and activities of daily living. That is, in the conventional fall prediction method, there is a problem that the patient is exposed to the risk of falling while the fall risk is assessed, and it is difficult to quantitatively measure the fall risk depending on the skill of the manager.
  • the present invention evaluates a patient's fall risk based on electromyography signals of the lower extremity muscles of a patient lying on a bed.
  • FIG. 2 shows EMG signals acquired from the tensor fascia latae (TFL), rectus femoris (RF), tibialis anterior (TA), and gastrocnemius medial (GC) during MVIC of 20 healthy individuals and stroke patients with a BBS score of >29 or ⁇ 29.
  • TTL tensor fascia latae
  • RF rectus femoris
  • TA tibialis anterior
  • GC gastrocnemius medial
  • a method is devised to replace the Berg Balance Scale (BBS) assessment tool that exposes the patient to the risk of falling during the fall risk measurement process.
  • BSS Berg Balance Scale
  • a machine learning-based prediction model for a total of 15 fall risks was developed.
  • the high or low fall risk was set as a BBS score of more than 29 and less than or equal to 29, and the maximum value of the root mean square (RMS) value of the EMG signal amplitude of the lower extremity muscles of 20 healthy individuals and stroke patients was set as an input variable.
  • RMS root mean square
  • the TFL-based fall prediction model showed the best performance (MCC: 0.626, AUC: 0.917, sensitivity: 0.771, specificity: 0.889), followed by RF, TA, and GC.
  • MCC 0.646, AUC: 0.925, sensitivity: 0.800, specificity: 0.891. That is, it was confirmed that the amplitude of the EMG signal of the TFL and/or RF is an important indicator for evaluating the patient's fall risk.
  • the fall prediction system (100) of the present invention can achieve the above-described technical task by measuring the EMG signal of the tensor fascia lata (TFL) among the lower extremity muscles of the patient, and determining the risk of the patient's fall based on the amplitude of the measured EMG signal.
  • the fall prediction system (100) of the present invention can achieve the above-described technical task by measuring the EMG signals of the tensor fascia lata (TFL) and the rectus femoris (RF) among the lower extremity muscles of the patient, and determining the risk of the patient's fall based on the amplitude of the measured EMG signal.
  • the fall prediction system (100) of the present invention can additionally utilize the EMG signals of the tibialis anterior (TA) and/or the gastrocnemius medial (GC) in order to determine the risk of the patient's fall.
  • the fall prediction system and method of the present invention measure the electromyography signals of the tensor fascia lata (TFL) or the tensor fascia lata (TFL) and rectus femoris (RF) among numerous lower extremity muscles of the patient, and determine the patient's fall risk based on the amplitude of the measured EMG signals, thereby enabling the patient's fall risk to be measured quickly and quantitatively in a simple manner even during a treatment session, and is not only inexpensive, but also provides the effect of being able to safely measure the patient's fall risk in bed without the patient having to stand up.
  • TTL tensor fascia lata
  • RF rectus femoris
  • the fall prediction system and method of the present invention can determine the fall risk by simply contracting the lower extremity muscles of a stroke patient even when the patient is in a lying position, it can provide the effect of being able to measure the fall risk of a stroke patient who has difficulty even sitting up.
  • the order of processing described in the method or fall prediction system and process disclosed in this specification is described as an example. Therefore, the order of each step may be adjusted within the spirit of the present invention as needed.
  • the device and system disclosed in this specification may include means capable of performing the functions described in this specification, and may be implemented as an independent device or system as needed, or may exist in a form linked or integrated with another system.
  • the operations described with reference to FIGS. 1 and 2 may be performed or implemented in a computer-readable storage medium recording a program. And the commands stored in the computer-readable medium may cause a processor in each device or system to perform methods and processing related to the commands.
  • computer-readable media can include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other storage medium that can be used to store desired program code means in the form of instructions or data structures and that can be accessed by a general-purpose or special-purpose computer, or a general-purpose or special-purpose processor.
  • Disk and disc includes compact disc (CD), laser disc, optical disc, digital versatile disc (DVD), floppy disk, and Blu-ray disc, wherein disks usually reproduce data magnetically, while discs reproduce data optically with lasers. Combinations of the above should also be included within the scope of computer-readable storage media.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템을 제공한다. 본 발명의 일 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법은, 상기 환자의 하지 근육들 중 제 1 부위에 근전도 센서를 부착하는 단계; 상기 제 1 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계; 및 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함한다.

Description

뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템
본 발명은, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템에 관한 것이다.
뇌졸중은 전 세계적으로 장애의 주요 원인이며, 가장 흔한 증상으로는 근력 약화 및 수축, 운동 조절 장애 등이 있으며, 그 결과 일상생활 및 삶의 질, 활동을 수행함에 있어 기능적 독립성이 감소하게 된다. 종래의 뇌졸중에 대한 운동 재활 치료에서는, 환자가 운동 재활을 하는 동안에 낙상의 위험에 지속적으로 노출되고, 실제로 환자에게 낙상 사고가 발생하므로, 낙상 위험도가 높은 환자의 경우에게는 특별한 주의가 요구된다.
또한, 환자가 본인의 낙상 위험도가 높은지 인지하는 것이 낙상을 예방하는 중요한 요소임에도, 치료시간은 제한되어 있기 때문에, 치료사가 환자의 낙상 위험도를 운동 재활 치료 시 매번 확인할 수 없다는 현실적인 어려움이 존재한다.
종래의 낙상 위험도를 예측하는 방법에서는, 치료사가 환자의 다양한 균형 동작, 보행 동작, 일상생활 동작을 직접 평가하고 점수를 부여하고 있는데, 이 경우, 치료사의 숙달 여부에 따라 시간이 다소 오래 걸릴 수 있고 정량적 판단이 어려우며, 환자가 실제 치료와는 별개의 동작들을 해야 하므로 환자의 재활 치료 시간이 단축된다는 문제점이 존재한다. 또 다른 종래의 낙상 위험도를 예측하는 방법에서는, 고가의 균형 평가 장비를 사용하여 환자의 낙상 위험도를 평가하므로, 일반적인 병원에서 조차 장비를 구비하기 힘들다는 문제점이 존재한다. 더불어, 종래의 낙상 위험도를 예측하는 방법에서는, 환자의 낙상 위험도를 평가할 때, 환자에게 기립 자세나 보행을 요구하는 경우가 대부분인데, 안전에 대한 보조 장치나 치료사가 있다고 하더라도, 기립 자세를 취하거나 보행하는 것이 어려운 환자에게는 낙상 위험도 측정 자체가 낙상 위험에 노출되는 결과가 된다.
따라서, 치료시간 동안에도 간단한 방법으로 빠르게 환자의 낙상 위험도를 확인할 수 있으며, 정량적이고, 저비용이며, 환자가 기립하지 않고도 침상에서 안전하게 측정할 수 있는 효과적인 낙상 예측 방법 및 시스템이 필요하다.
본 발명의 기술적 과제는, 위와 같은 종래 기술의 문제점들을 해결하는 데 있다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서 일 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법은, 상기 환자의 하지 근육들 중 제 1 부위에 근전도 센서를 부착하는 단계; 상기 제 1 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계; 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함한다.
상기 제 1 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 (GC) 중 어느 하나이고, 상기 환자의 낙상 위험도를 결정하는 단계 이후에, 결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하는 단계를 추가로 포함하고, 상기 근전도 신호를 측정하는 단계는 상기 제 1 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하는 단계를 포함할 수 있다.
또한, 다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법은, 환자의 하지 근육들 중 상기 제 1 부위에 관성 센서를 부착하는 단계; 상기 제 1 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하는 단계; 및 측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 추가로 포함할 수 있다.
아울러, 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 상기 근전도 신호의 진폭, 상기 근전도 신호의 파형의 면적, 또는 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함할 수 있다.
다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법은, 상기 환자의 하지 근육들 중 제 1 부위 및 제 2 부위에 근전도 센서를 부착하는 단계; 상기 제 1 부위 및 상기 제 2 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계; 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함할 수 있다.
상기 제 1 부위는 대퇴근막장근 (TFL) 이고, 상기 제 2 부위는 대퇴직근 (RF) 이며, 상기 환자의 낙상 위험도를 결정하는 단계 이후에, 결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하는 단계를 추가로 포함할 수 있다.
또한, 상기 근전도 센서를 부착하는 단계는, 상기 환자의 하지 근육들 중 제 3 부위에 근전도 센서를 부착하는 단계를 추가로 포함하고, 상기 근전도 신호를 측정하는 단계는, 상기 제 3 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계를 추가로 포함하고, 이 경우 상기 제 3 부위는 전경골근 (TA) 또는 비복근 (GC) 일 수 있다.
또는, 상기 근전도 센서를 부착하는 단계가, 상기 환자의 하지 근육들 중 제 3 부위 및 제 4 부위에 근전도 센서를 부착하는 단계를 추가로 포함하고, 상기 근전도 신호를 측정하는 단계는, 상기 제 3 부위 및 상기 제 4 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계를 추가로 포함하고, 상기 제 3 부위는 전경골근 (TA) 이고, 상기 제 4 부위는 비복근 (GC) 일 수 있다.
아울러, 상기 근전도 신호를 측정하는 단계는 상기 제 1 부위, 상기 제 2 부위, 상기 제 3 부위 및 상기 제 4 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하는 단계를 포함할 수 있다.
또 다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 메모리; 및 상기 메모리에 연결된 적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는: 상기 환자의 하지 근육들 중 제 1 부위에 부착된 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하고; 측정된 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하도록 구성될 수 있다.
상기 제 1 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 (GC) 중 어느 하나이고, 상기 적어도 하나의 프로세서는, 결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하도록 추가로 구성되고, 상기 제 1 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하도록 구성될 수 있다.
또한, 상기 적어도 하나의 프로세서는: 환자의 하지 근육들 중 상기 제 1 부위에 관성 센서를 부착하고; 상기 제 1 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하고; 및 측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하도록 추가로 구성될 수 있다.
아울러, 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 상기 근전도 신호의 진폭, 상기 근전도 신호의 파형의 면적, 또는 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함할 수 있다.
또 다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 메모리; 및 상기 메모리에 연결된 적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는: 상기 환자의 하지 근육들 중 제 1 부위 및 제 2 부위에 부착된 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하고; 측정된 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하도록 구성될 수 있다.
상기 제 1 부위는 대퇴근막장근 (TFL) 이고, 상기 제 2 부위는 대퇴직근 (RF) 이며, 상기 적어도 하나의 프로세서는, 결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하도록 추가로 구성될 수 있다.
또한, 상기 적어도 하나의 프로세서는, 상기 환자의 하지 근육들 중 제 3 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하도록 추가로 구성되고, 상기 제 3 부위는 전경골근 (TA) 또는 비복근 (GC) 일 수 있다.
또는, 상기 적어도 하나의 프로세서가, 상기 환자의 하지 근육들 중 제 3 부위 및 제 4 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하도록 추가로 구성되고, 상기 제 3 부위는 전경골근 (TA) 이고, 상기 제 4 부위는 비복근 (GC) 일 수 있다.
아울러, 상기 적어도 하나의 프로세서는, 상기 제 1 부위, 상기 제 2 부위, 상기 제 3 부위 및 상기 제 4 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하도록 구성될 수 있다.
또 다른 실시예에 따른 컴퓨터 판독 가능 저장 매체는 상기 실시예들에 따른 방법을 수행하는 프로그램을 기록할 수 있다.
본 발명의 낙상 예측 방법 및 시스템은, 침상 위에서 뇌졸중 환자의 낙상 위험도를 평가한다. 본 발명은, 환자가 침상을 벗어나지 않고도 환자의 낙상 위험도를 평가할 수 있도록 하여, 낙상의 위험도를 낮출 수 있다.
구체적으로, 본 발명의 낙상 예측 방법 및 시스템은, 뇌졸중 환자의 최소한의 근육 신호만을 이용하여 환자의 낙상 위험도를 측정하므로, 저비용이며, 간단한 부착 작업만이 요구되어 기기 조작에 큰 어려움이 없다. 또한, 본 발명은, 근전도 센서를 부착한 이후에, 뇌졸중 환자가 침상 위에서 몇 가지의 단순한 측정 동작만을 수행하도록 하기 때문에, 빠르게 낙상 위험도를 측정할 수 있다.
아울러, 본 발명의 낙상 예측 방법 및 시스템은, 환자의 근전도 신호를 측정하여 환자의 낙상 위험도를 결정함으로써, 관리자의 숙달 여부에 무관하게 환자의 낙상 위험도를 정량적으로 측정할 수 있다는 효과를 제공한다.
즉, 본 발명에 의하면, 치료시간 동안에도 간단한 방법으로 빠르게 환자의 낙상 위험도를 확인할 수 있으며, 정량적이고, 저비용이며, 환자가 낙상 위험에 노출되지 않고 침상에서 안전하게 측정할 수 있는 효과적인 낙상 예측 방법 및 시스템을 제공할 수 있다.
본 발명의 효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 낙상 예측 시스템을 나타낸 도면이다.
도 2는 건강한 개인과 뇌졸중 환자의 MVIC 동안의 하지 근육들에서 획득한 EMG 신호들을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다" 및/또는 "포함하는"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 달리 언급되지 않는다면, "접속되는" 또는 “연결되는” 은 하나의 엘리먼트/특징이 다른 엘리먼트/특징과 직접적으로 접속 또는 연결되는 것 또는 타 엘리먼트/특징을 개재하여 간접적으로 접속 또는 연결되는 것을 포함할 수 있고, 반드시 기계적으로 바로 접속 또는 연결되는 것만을 의미하는 것은 아니다. 따라서, 도면들에 도시된 다양한 모식도들은 엘리먼트들과 컴포넌트들의 예시적인 배열들을 도시하지만, 추가의 중재 엘리먼트들, 디바이스들, 특징들 또는 컴포넌트들이 (도시된 엘리먼트들의 기능이 악영향을 받지 않는다고 가정할 때) 실제 실시형태에서 존재할 수도 있다.
또한, 본 명세서에서 "전송하는" 또는 "수신하는" 은 전송자와 수신자 간에 정보를 직접 전송 또는 수신하는 것뿐만 아니라, 달리 언급되지 않는다면 타 객체를 개재하여 정보를 전송 또는 수신하는 것을 포함할 수 있다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다.
도 1은 일 실시예에 따른 낙상 예측 시스템을 나타낸 블록도이다.
도 1을 참조하면, 낙상 예측 시스템 (100) 은 프로세서 (110) 및 메모리 (120) 를 포함할 수 있고, 환자로부터 신호를 수신하고 환자 또는 관리자에게 정보를 제공할 수 있다.
도 1에 도시된 낙상 예측 시스템 (100) 에는 본 실시예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 낙상 예측 시스템 (100) 에 도 1 에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하며, 낙상 예측 시스템 (100) 은 하나 또는 그 이상의 서버/장치의 형태로 구현될 수 있다.
도 1에는 도시되지 않았지만, 낙상 예측 시스템 (100) 은 독자적으로 동작할 수 있고, 또는 서버 및/또는 모바일 단말 등과 연동하여서도 동작할 수 있다. 이 경우, 낙상 예측 시스템 (100) 은 각 동작을 트리거하는 인터페이스를 서버 및/또는 모바일 단말에 제공할 수 있다.
프로세서 (110) 는 낙상 예측 시스템 (100) 에 의해 수행되는 각 단계들을 수행하도록 구성될 수 있다. 한편, 다른 실시예에서, 소정의 단계들은 관리자의 개입 하에 수행될 수도 있다. 이하에서는 낙상 예측 시스템 (100) 이 프로세서 (110) 를 이용하여 수행하는 구체적인 동작 방법에 대해 상세히 설명한다.
낙상 예측 시스템 (100) 은 침상 위의 뇌졸중 환자의 근전도 신호를 측정할 수 있다. 낙상 예측 시스템 (100) 에서는, 환자의 낙상 위험도를 측정하는 경우에 간단한 부착 작업만이 요구되기 때문에, 관리자가 시스템을 조작하는데 큰 어려움이 없다. 즉, 관리자는 환자의 낙상 위험도를 측정하기 위하여 표면 근전도 센서를 환자의 하지 근육들 중 적어도 하나의 부위에 부착할 수 있다. 이 때, 환자의 하지 근육들 중 근전도 센서가 부착되는 부위는 대퇴근막장근 (Tensor Fascia Lata, TFL), 대퇴직근 (Rectus Femoris, RF), 전경골근 (Tibialis Anterior, TA) 및 비복근 내측 (Gastrocnemius medialis, GC) 중 적어도 하나일 수 있으나, 이에 한정되는 것은 아니다.
물론, 가능한 많은 근전도 센서들이 환자의 하지 근육들에 부착되고, 부착된 근전도 센서들로부터 측정되는 근전도 신호를 분석하여 환자의 낙상 위험도를 측정하는 것이, 정확도 측면에서는 최상일 수 있다. 그러나, 치료시간은 제한되어 있기 때문에, 정확하면서도, 간단하고 빠르게 환자의 낙상 위험도를 측정하는 낙상 예측 시스템이 제공되는 것이 중요하다. 즉, 본 발명의 낙상 예측 시스템 (100) 은, 최소 개수의 근육을 대상으로 하는 최소 개수의 근전도 센서를 사용하여 환자의 낙상 위험도를 정확하게 측정하고자 한다.
이러한 기술적 과제를 달성하기 위해서는, 근전도 센서가 부착되는 환자의 하지 근육들의 조합을 설정한 후, 하지 근육들의 해당 조합으로부터 측정한 근전도 신호가, 환자의 낙상 위험도에 관한 지표가 될 수 있는지 확인하는 것이 중요하다. 이와 관련하여, 본 발명의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 의 근전도 신호를 측정한다.
본 발명의 낙상 예측 시스템 (100) 에서 근전도 신호를 측정하는 대상으로서, 둔근 (Gluteal muscles) 대신에 대퇴근막장근 (TFL) 을 선택한 이유는, 대퇴근막장근 (TFL) 이 피하 지방 조직이 상대적으로 얇고, 반듯이 누운 자세와 옆으로 누운 자세에서 EMG 신호를 측정하는 동안 기계적으로 자극될 가능성이 낮기 때문이다. 또한, 대퇴근막장근 (TFL) 은 한 발 서기 및 보행 동안에 균형 제어에 주요 기능을 하고, 한 발 서기하는 동안 골반 안정화를 위한 코어 근육들 중 하나로 작용하기 때문이다. 아울러, 본 발명의 낙상 예측 시스템 (100) 에서 근전도 신호를 측정하는 대상으로서, 대퇴직근 (RF) 을 선택한 이유는, 대퇴직근 (RF) 이 무릎의 주요 신근 (extensor) 으로서, 서 있기, 걷기, 달리기와 같은 기능적 움직임 및 균형 제어에 필수적인 역할을 하는 대퇴사두근 (Quadriceps femoris muscles) 중 하나이기 때문이다.
낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 제 1 부위에 근전도 센서를 부착하고, 상기 제 1 부위에 부착된 근전도 센서로부터 근전도 신호를 측정할 수 있다. 이 때, 낙상 예측 시스템 (100) 은 상기 제 1 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정할 수 있다. 이 경우, 제 1 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 중에서 선택될 수 있다. 보다 바람직하게는, 상기 제 1 부위는 대퇴근막장근 (TFL) 일 수 있다.
일 실시예로서, 근전도 신호를 측정하기 위하여 근전도 센서가 부착되는 위치는, 대퇴근막장근 (TFL) 의 경우, 대전자 (greater trochanter) 앞 쪽으로 두 손가락 너비에 해당하는 지점이고; 대퇴직근 (RF) 의 경우, 전상장골극 (anterior superior iliac spine) 에서 슬개골 (patella) 상부까지의 선상에서 절반에 해당하는 지점이고; 전경골근 (TA) 의 경우, 비골두 (fibular head) 에서 내측 복사 (medial malleolus) 까지의 선상에서 3분의 1에 해당하는 지점이며; 비복근 내측 (GC) 의 경우, 슬와강 (popliteus cavity) 의 내측으로부터 아킬레스건 (Achilles tendon) 내측까지의 선상에서 4분의 1에 해당하는 지점일 수 있다.
낙상 예측 시스템 (100) 에서, 환자는 근전도 신호를 수집하기 위한 운동 동작을 수행한다. 환자는 관리자로부터 환자가 수행할 근전도 신호를 수집하기 위한 운동 동작에 대하여 사전에 교육받을 수 있다. 근전도 신호를 수집하기 위한 운동 동작은 반듯이 누운 자세, 옆으로 누운 자세, 침상에 앉은 자세 중 적어도 하나일 수 있으나, 이에 한정되는 것은 아니며, 환자가 침상 위에서 수행할 수 있는 운동 동작이면 모두 가능하다.
보다 구체적으로, 최대 수의적 등척성 수축 (MVIC) 동안에, 환자는 네 개의 하지 근육들 (TFL, RF, TA, GC) 을 수축하기 위하여, 특정 운동 동작을 수행할 수 있다. 일 실시예로서, 대퇴근막장근 (TFL) 의 경우, 환자는 옆으로 누운 상태에서 바깥쪽 다리를 30 도 들어올린 상태로 바닥 방향의 저항이 있는 상태에서 유지하고; 대퇴직근 (RF) 의 경우, 환자는 반듯이 누운 상태에서 무릎을 30 도 들어올린 상태로 바닥 방향의 저항이 있는 상태에서 유지하며; 전경골근 (TA) 및 비복근 내측 (GC) 의 경우, 환자는 반듯이 누운 상태에서 발바닥 또는 발등 방향의 저항이 있는 상태에서 발목이 다리와 90 도가 되도록 하는 자세를 유지할 수 있다.
위와 같이, 본 발명의 낙상 예측 시스템 및 방법에서는 뇌졸중 환자가 누운 자세에 있더라도 환자가 하지 근육들을 수축하는 것만으로 낙상 위험도를 결정할 수 있기 때문에, 앉아 있기 조차 어려운 뇌졸중 환자의 낙상 위험도 또한 측정할 수 있다는 효과를 제공할 수 있다.
낙상 예측 시스템 (100) 은 측정된 근전도 신호 및 그 진폭의 크기를 메모리 (120) 에 저장할 수 있다. 또한, 낙상 예측 시스템 (100) 은 측정된 근전도 신호의 진폭에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 환자의 낙상 위험도는, 그 정도에 따라 레벨 (level) 로 분류될 수 있고, 점수로 표시될 수도 있으며, 이에 한정되는 것은 아니고, 환자가 낙상 사고를 당할 위험도를 표시할 수 있는 수치나 분류 체계 등을 통해 표시 및/또는 결정되면 된다.
낙상 예측 시스템 (100) 은 측정된 환자의 근전도 신호의 진폭에 대한 정보 및/또는 이를 통해 결정된 환자의 낙상 위험도를 환자 또는 관리자에게 제공할 수 있다. 예컨대, 낙상 예측 시스템 (100) 은 디스플레이 또는 스피커 등의 출력 장치를 더 포함하고, 이들 출력 장치를 통해 환자 또는 관리자에게 정보를 제공할 수 있다. 이 경우, 낙상 예측 시스템 (100) 은 측정된 환자의 근전도 신호의 진폭에 대한 정보 및/또는 이를 통해 결정된 환자의 낙상 위험도를 디스플레이에 표시하거나 스피커를 통해 음성으로 출력할 수도 있다.
다른 실시예의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 두 개의 부위, 즉 제 1 부위 및 제 2 부위에 근전도 센서를 부착하고, 제 1 부위 및 제 2 부위에 부착된 근전도 센서로부터 근전도 신호를 측정하며, 측정된 근전도 센서의 진폭에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 이 경우, 제 1 부위 및 제 2 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 중에서 선택될 수 있다. 보다 바람직하게는, 제 1 부위는 대퇴근막장근 (TFL) 이고, 제 2 부위는 대퇴직근 (RF) 일 수 있다.
또 다른 실시예의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 세 개의 부위, 즉 제 1 부위, 제 2 부위 및 제 3 부위에 근전도 센서를 부착하고, 제 1 부위, 제 2 부위 및 제 3 부위에 부착된 근전도 센서로부터 근전도 신호를 측정하며, 측정된 근전도 센서의 진폭에 기초하여 환자의 낙상 위험도를 결정할 수도 있다. 이 경우, 제 1 부위, 제 2 부위 및 제 3 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 중에서 선택될 수 있다. 보다 바람직하게는, 제 1 부위는 대퇴근막장근 (TFL) 이고, 제 2 부위는 대퇴직근 (RF) 이며, 제 3 부위는 전경골근 (TA) 일 수 있다.
또 다른 실시예의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 네 개의 부위, 즉 제 1 부위, 제 2 부위, 제 3 부위 및 제 4 부위에 근전도 센서를 부착하고, 제 1 부위, 제 2 부위, 제 3 부위 및 제 4 부위에 부착된 근전도 센서로부터 근전도 신호를 측정하며, 측정된 근전도 센서의 진폭에 기초하여 환자의 낙상 위험도를 결정할 수도 있다. 이 경우, 제 1 부위, 제 2 부위, 제 3 부위 및 제 4 부위는 각각 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 일 수 있다.
또한, 낙상 예측 시스템 (100) 은 환자의 하지 근육들 (TFL, RF, TA, GC) 의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정할 수 있다.
또 다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 근전도 신호 외에도 관성 센서로부터의 관성 센서 신호를 추가적으로 이용할 수 있다. 구체적으로, 환자의 하지 근육들 중 상기 제 1 부위에 관성 센서를 부착하고, 제 1 부위에 부착된 관성 센서를 통해, 환자의 관성 센서 신호를 측정하고, 측정된 관성 센서 신호에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 근전도 신호와 함께 관성 센서 신호가 낙상 예측 모델에 입력 데이터로 사용됨으로써, 환자의 낙상 위험도를 보다 정확하게 결정할 수 있다.
또 다른 실시예에 따른 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 경우에, 상기 근전도 신호의 진폭, 상기 근전도 신호의 파형의 면적, 또는 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 예를 들어, 근전도 신호의 진폭의 최댓값, 보다 구체적으로, 근전도 신호 진폭의 RMS (root mean square) 값의 최댓값에 기초하여 환자의 낙상 위험도를 결정할 수 있다.
또한, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 근전도 신호의 파형과 시간축 사이의 면적에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 하지 근육의 근전도 신호 파형은, 마비 증세를 보이는 경우보다 건강한 경우에, 그 면적이 넓은 경향을 보인다. 즉, 도 2에서 알 수 있는 바와 같이, BBS 값이 작아질수록 근전도 신호 파형이 시간축과 이루는 면적은 감소한다.
더불어, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템은, 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 환자의 낙상 위험도를 결정할 수 있다. 뇌졸중 환자의 경우, 같은 하지 근육이라도 마비 증세를 보이는 근육과 비-마비 측의 근육이 있을 수 있다. 예를 들어, 오른쪽의 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 또는 비복근 (GC) 은 마비 증세가 보이나, 왼쪽의 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 또는 비복근 (GC) 은 마비 증세가 나타나지 않고 건강할 수 있다. 이 경우, 본 발명의 시스템은 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율을 계산하고, 이를 기초로 환자의 낙상 위험도를 결정할 수 있다. 예를 들어, 마비 증세가 나타나는 오른쪽 대퇴근막장근 (TFL) 에 대한 근전도 신호 진폭의 RMS 값의 최댓값을, 비-마비인 왼쪽 대퇴근막장근 (TFL) 에 대한 근전도 신호 진폭의 RMS 값의 최댓값으로 나누고, 그 값을 이용하여 환자의 낙상 위험도를 결정할 수 있다.
프로세서 (110) 는 PC(personal computer), 서버 디바이스, 모바일 디바이스, 임베디드 디바이스, IoT(Internet of Things) 디바이스 등의 다양한 종류의 컴퓨팅 디바이스들에 구비된 프로세서 (110) 에 해당할 수 있다. 예를 들어, 프로세서 (110) 는 CPU(central processing unit), GPU(graphics processing unit), AP(application processor), NPU(neural processing unit) 등과 같은 프로세서 (110) 에 해당할 수 있으나, 이에 제한되지 않는다.
프로세서 (110) 는 다수의 논리 게이트들의 어레이로 구현될 수도 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리 (120) 의 조합으로 구현될 수도 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
메모리 (120) 는 프로세서 (110) 에 의해 처리되는 각종 데이터들을 저장하는 하드웨어로서, 예를 들어, 환자 또는 이용자로부터 수신한 데이터, 환자 또는 이용자에게 전송한 데이터 및 낙상 예측 시스템 (100) 에서 생성한 데이터 등에 대한 정보를 저장할 수 있다. 또한, 메모리 (120) 는 프로세서 (110) 에 의해 구동될 다양한 프로그램들 또는 애플리케이션들 등을 저장할 수 있다.
메모리 (120) 는 휘발성 메모리(volatile memory) 또는 불휘발성 메모리(nonvolatile memory) 중 적어도 하나를 포함할 수 있다. 불휘발성 메모리는 ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FeRAM(Ferroelectric RAM) 등을 포함한다. 휘발성 메모리는 DRAM(Dynamic RAM), SRAM(Static RAM), SDRAM(Synchronous DRAM), PRAM, MRAM(Magnetic RAM), RRAM(Resistive RAM) 등을 포함한다. 실시예에 있어서, 메모리 (120) 는 HDD(Hard Disk Drive), SSD(Solid State Drive), CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 중 적어도 하나로 구현될 수 있다.
이하에서는, 종래의 낙상 예측 시스템의 문제점을 해결하기 위하여, 최소 개수의 근육을 대상으로 하는 최소 개수의 근전도 센서를 사용하여 환자의 낙상 위험도를 측정하는 본 발명의 낙상 예측 시스템의 구체적인 실시예에 대해서 설명한다.
종래에는, 버그 균형 척도 (Berg Balance Scale, BBS), Morse Falls Scale, Chedoke-McMaster Stroke Impairment Inventory 및 기능적 독립 평가법 (Functional Independence Measure) 을 포함하여, 낙상 위험도를 측정하기 위한 여러가지의 평가 도구가 존재한다. 대표적으로, 버그 균형 척도 (BBS) 의 경우에는, 관리자가 다양한 균형 동작, 보행 동작, 일상생활 동작을 수행하는 환자를 관찰하여, 환자의 낙상 위험도를 직접 평가하게 된다. 즉, 종래의 낙상 예측 방법에서는, 환자가 낙상 위험도를 평가받는 동안에 낙상의 위험에 노출되며, 관리자의 숙련도에 따라 낙상 위험도가 정량적으로 측정되기 어렵다는 문제점이 존재한다.
이러한 종래 기술의 문제점을 해결함과 동시에, 버그 균형 척도 (BBS) 를 대체할 환자의 낙상 위험도에 관한 지표를 제공하기 위하여, 본 발명에서는, 침상 위의 환자의 하지 근육들의 근전도 신호에 기초하여 환자의 낙상 위험도를 평가한다.
본 발명에서는, 버그 균형 척도 (BBS) 점수가 29 이하인 건강한 개인 및 뇌졸중 환자 10명과, 버그 균형 척도 (BBS) 점수가 29 초과인 건강한 개인 및 뇌졸중 환자 10명을 모집하고, 이들의 인구 통계학적, 신경학적 및 기능적 특성을 조사하였다. 아래 표 1은 그 결과를 나타낸다.
Figure PCTKR2024007338-appb-img-000001
도 2는, BBS 점수가 29 초과 또는 29 이하인, 20명의 건강한 개인 및 뇌졸중 환자의, MVIC 동안의 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 내측 (GC) 에서 획득한 EMG 신호들을 나타낸다. 도 2를 통해, BBS 점수가 29 초과인 뇌졸중 환자의 EMG 신호의 진폭은 BBS 점수가 29 이하인 뇌졸중 환자의 EMG 신호의 진폭보다 크다는 것을 알 수 있고, 건강한 개인의 EMG 신호의 진폭은 BBS 점수가 29 초과인 뇌졸중 환자의 EMG 신호의 진폭보다 크다는 것을 알 수 있다. 즉, BBS 점수는 EMG 신호의 진폭과 양의 상관관계를 갖는다는 것을 발견하였다.
이러한 특성은, 아래 표 2에서도 알 수 있다.
Figure PCTKR2024007338-appb-img-000002
위 표 2에서 나타난 바와 같이, BBS 점수가 29 초과인 뇌졸중 환자들과 BBS 점수가 29 이하인 뇌졸중 환자들 사이의 EMG 신호의 진폭은, 마비 측면의 모든 TFL, RF, TA 및 GC 에서, 또한 비-마비 측면의 TFL, RF 및 TA 각각에서, 유의한 차이가 존재하였다. 즉, 마비된 측면에서 측정된 하지 근육들 (TFL, RF, TA 및 GC) 에서 EMG 신호의 진폭은 BBS 점수와 유의한 양의 상관관계를 보인다는 것을 알 수 있었다.
본 발명에서는, 낙상 위험도 측정 과정에서 환자가 낙상 위험에 노출되도록 하는 버그 균형 척도 (BBS) 평가 도구를 대체할 방법을 고안한 것이다. 구체적으로, 본 발명에서는 침상 위의 환자의 하지 근육들의 근전도 신호를 측정함으로써, 낙상 위험에 노출될 필요 없이, 저비용으로 간단하고 빠르게, 정량적으로 낙상 위험도를 측정할 수 있다.
더 나아가, 본 발명에서는, 네 부위의 하지 근육들 중 어떠한 조합의 하지 근육들이 환자의 낙상 위험도를 정확하게 나타낼 수 있는 지 확인하기 위하여, 총 15 가지의 낙상 위험도에 관한 머신러닝 기반 예측 모델이 개발되었다. 낙상 위험도의 높낮음은 29 초과 및 29 이하의 BBS 점수로 설정되었으며, 20명의 건강한 개인 및 뇌졸중 환자의 하지 근육들의 EMG 신호 진폭의 RMS (root mean square) 값의 최댓값이 입력 변수로 설정되었다. 아래 표 3은 15 가지의 낙상 위험도에 관한 예측 모델의 성능 결과를 나타낸다.
Figure PCTKR2024007338-appb-img-000003
위 표 3을 참조하면, 1 개의 하지 근육 기반 낙상 예측 모델들 중에서는, TFL 기반 낙상 예측 모델이 최고의 성능 (MCC: 0.626, AUC: 0.917, sensitivity: 0.771, specificity: 0.889) 을 보였으며, RF, TA 및 GC 순서대로 좋은 성능을 보였다. 또한, 2 개의 하지 근육 기반 낙상 예측 모델들 중에서는, TFL 및 RF 기반 낙상 예측 모델이 최고의 성능 (MCC: 0.646, AUC: 0.925, sensitivity: 0.800, specificity: 0.891) 을 보였다. 즉, TFL 및/또는 RF 의 EMG 신호의 진폭은 환자의 낙상 위험도를 평가하는데 중요한 지표가 된다는 것이 확인되었다.
따라서, 본 발명의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 대퇴근막장근 (TFL) 의 근전도 신호를 측정하고, 측정된 근전도 신호의 진폭에 기초하여 환자의 낙상 위험도를 결정함으로써, 전술한 기술적 과제를 달성할 수 있다. 또한, 본 발명의 낙상 예측 시스템 (100) 은 환자의 하지 근육들 중 대퇴근막장근 (TFL) 및 대퇴직근 (RF) 의 근전도 신호를 측정하고, 측정된 근전도 신호의 진폭에 기초하여 환자의 낙상 위험도를 결정함으로써, 전술한 기술적 과제를 달성할 수도 있다. 그러나, 본 발명의 낙상 예측 시스템 (100) 은, 환자의 낙상 위험도를 결정하기 위하여, 전경골근 (TA) 및/또는 비복근 내측 (GC) 의 근전도 신호를 추가적으로 이용할 수도 있다.
이처럼, 본 발명의 낙상 예측 시스템 및 방법은, 환자의 수 많은 하지 근육들 중에서도 대퇴근막장근 (TFL) 이나, 또는 대퇴근막장근 (TFL) 및 퇴직근 (RF) 의 근전도 신호를 측정하고, 측정된 근전도 신호의 진폭에 기초하여 환자의 낙상 위험도를 결정함으로써, 치료시간 동안에도 간단한 방법으로 빠르게, 정량적으로 환자의 낙상 위험도를 측정할 수 있으며, 비용이 저렴할 뿐만 아니라, 환자가 기립하지 않고도 침상에서 안전하게 환자의 낙상 위험도를 측정할 수 있다는 효과를 제공할 수 있다. 특히, 본 발명의 낙상 예측 시스템 및 방법에서는 뇌졸중 환자가 누운 자세에 있더라도 환자가 하지 근육들을 수축하는 것만으로 낙상 위험도를 결정할 수 있기 때문에, 앉아 있기 조차 어려운 뇌졸중 환자의 낙상 위험도 또한 측정할 수 있다는 효과를 제공할 수 있다.
한편, 본 명세서에서 개시된 방법 또는 낙상 예측 시스템과 프로세스에서 설명된 처리의 순서는 일 예로서 설명된 것이다. 따라서 필요에 따라 각 단계들의 순서는 본 발명의 사상 내에서 조정될 수 있다. 또한 본 명세서에서 개시된 디바이스 및 시스템은 본 명세서에서 설명된 기능들을 수행할 수 있는 수단들을 포함할 수 있고, 필요에 따라 독립된 디바이스 또는 시스템으로 구현되거나 또는 다른 시스템과 연동되거나 통합된 형태로 존재할 수도 있다.
도 1 내지 도 2 를 참조하여 설명한 동작들은 프로그램을 기록한 컴퓨터 판독 가능 저장 매체에서 수행되거나 구현될 수 있다. 그리고 컴퓨터 판독 가능 매체에 저장된 명령들은 각 디바이스 또는 시스템에서 프로세서에 의해 그 명령과 관련된 방법 및 처리가 수행되게 할 수 있다.
비제한적인 예로서, 컴퓨터 판독 가능 매체들은 RAM, ROM, EEPROM, CD-ROM 또는 다른 광디스크 스토리지, 자기디스크 스토리지 또는 다른 자기 저장 디바이스들, 또는 원하는 프로그램 코드 수단을 명령들 또는 데이터 구조들의 형태로 저장하는 데 사용될 수 있으며 범용 또는 특수-목적 컴퓨터, 또는 범용 또는 특수-목적 프로세서에 의해 액세스될 수 있는 임의의 다른 저장 매체를 포함할 수 있다. 디스크 (disk) 및 디스크 (disc) 는, 본원에서 사용할 때, 컴팩트 디스크 (CD), 레이저 디스크, 광 디스크, 디지털 다기능 디스크 (DVD), 플로피 디스크 및 Blu-ray 디스크를 포함하며, 디스크들 (disks) 은 데이터를 자기적으로 보통 재생하지만, 디스크들 (discs) 은 레이저로 데이터를 광학적으로 재생한다. 앞에서 언급한 것들의 조합들이 또한 컴퓨터 판독 가능 저장 매체의 범위 내에 포함되어야 한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (41)

  1. 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법으로서,
    상기 환자의 하지 근육들 중 제 1 부위에 근전도 센서를 부착하는 단계;
    상기 제 1 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계; 및
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  2. 제 1 항에 있어서,
    상기 제 1 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 (GC) 중 어느 하나인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  3. 제 1 항에 있어서,
    상기 환자의 낙상 위험도를 결정하는 단계 이후에,
    결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  4. 제 1 항에 있어서,
    상기 근전도 신호를 측정하는 단계는 상기 제 1 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  5. 제 1 항에 있어서,
    상기 환자의 하지 근육들 중 상기 제 1 부위에 관성 센서를 부착하는 단계;
    상기 제 1 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하는 단계; 및
    측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  6. 제 1 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  7. 제 1 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 상기 근전도 신호의 파형의 면적에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  8. 제 1 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  9. 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법으로서,
    상기 환자의 하지 근육들 중 제 1 부위 및 제 2 부위에 근전도 센서를 부착하는 단계;
    상기 제 1 부위 및 상기 제 2 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계; 및
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  10. 제 9 항에 있어서,
    상기 제 1 부위는 대퇴근막장근 (TFL) 이고, 상기 제 2 부위는 대퇴직근 (RF) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  11. 제 9 항에 있어서,
    상기 환자의 낙상 위험도를 결정하는 단계 이후에,
    결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  12. 제 9 항에 있어서,
    상기 근전도 센서를 부착하는 단계는,
    상기 환자의 하지 근육들 중 제 3 부위에 근전도 센서를 부착하는 단계를 추가로 포함하고,
    상기 근전도 신호를 측정하는 단계는,
    상기 제 3 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  13. 제 12 항에 있어서,
    상기 제 3 부위는 전경골근 (TA) 또는 비복근 (GC) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  14. 제 9 항에 있어서,
    상기 근전도 센서를 부착하는 단계는,
    상기 환자의 하지 근육들 중 제 3 부위 및 제 4 부위에 근전도 센서를 부착하는 단계를 추가로 포함하고,
    상기 근전도 신호를 측정하는 단계는,
    상기 제 3 부위 및 상기 제 4 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  15. 제 14 항에 있어서,
    상기 제 3 부위는 전경골근 (TA) 이고, 상기 제 4 부위는 비복근 (GC) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  16. 제 15 항에 있어서,
    상기 근전도 신호를 측정하는 단계는 상기 제 1 부위, 상기 제 2 부위, 상기 제 3 부위 및 상기 제 4 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  17. 제 9 항에 있어서,
    상기 환자의 하지 근육들 중 상기 제 1 부위 및 상기 제 2 부위에 관성 센서를 부착하는 단계;
    상기 제 1 부위 및 상기 제 2 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하는 단계; 및
    측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 추가로 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  18. 제 9 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  19. 제 9 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 상기 근전도 신호의 파형의 면적에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  20. 제 9 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계는, 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 단계를 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  21. 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템으로서,
    메모리; 및
    상기 메모리에 연결된 적어도 하나의 프로세서를 포함하며,
    상기 적어도 하나의 프로세서는:
    상기 환자의 하지 근육들 중 제 1 부위에 부착된 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하고; 및
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하도록 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  22. 제 21 항에 있어서,
    상기 제 1 부위는 대퇴근막장근 (TFL), 대퇴직근 (RF), 전경골근 (TA) 및 비복근 (GC) 중 어느 하나인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  23. 제 21 항에 있어서,
    상기 적어도 하나의 프로세서는,
    결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  24. 제 21 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제 1 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하도록 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  25. 제 21 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 환자의 하지 근육들 중 상기 제 1 부위에 관성 센서를 부착하고;
    상기 제 1 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하고; 및
    측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  26. 제 21 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  27. 제 21 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 상기 근전도 신호의 파형의 면적에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  28. 제 21 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  29. 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템으로서,
    메모리; 및
    상기 메모리에 연결된 적어도 하나의 프로세서를 포함하며,
    상기 적어도 하나의 프로세서는:
    상기 환자의 하지 근육들 중 제 1 부위 및 제 2 부위에 부착된 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하고; 및
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하도록 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  30. 제 29 항에 있어서,
    상기 제 1 부위는 대퇴근막장근 (TFL) 이고, 상기 제 2 부위는 대퇴직근 (RF) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  31. 제 29 항에 있어서,
    상기 적어도 하나의 프로세서는,
    결정된 상기 환자의 상기 낙상 위험도를 상기 환자 또는 관리자에게 제공하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  32. 제 29 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 환자의 하지 근육들 중 제 3 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  33. 제 32 항에 있어서,
    상기 제 3 부위는 전경골근 (TA) 또는 비복근 (GC) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  34. 제 29 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 환자의 하지 근육들 중 제 3 부위 및 제 4 부위에 부착된 상기 근전도 센서를 통해, 상기 근전도 신호를 수집하기 위한 운동 동작을 수행하는 상기 환자의 상기 근전도 신호를 측정하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  35. 제 34 항에 있어서,
    상기 제 3 부위는 전경골근 (TA) 이고, 상기 제 4 부위는 비복근 (GC) 인, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법.
  36. 제 35 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제 1 부위, 상기 제 2 부위, 상기 제 3 부위 및 상기 제 4 부위의 최대 수의적 등척성 수축 (MVIC) 을 이용하여 근전도 신호를 측정하도록 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  37. 제 29 항에 있어서,
    상기 적어도 하나의 프로세서는:
    상기 환자의 하지 근육들 중 상기 제 1 부위 및 상기 제 2 부위에 관성 센서를 부착하고;
    상기 제 1 부위 및 상기 제 2 부위에 부착된 상기 관성 센서를 통해, 상기 환자의 관성 센서 신호를 측정하고; 및
    측정된 상기 관성 센서 신호에 기초하여 상기 환자의 낙상 위험도를 결정하도록 추가로 구성되는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  38. 제 29 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 상기 근전도 신호의 진폭에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  39. 제 29 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 상기 근전도 신호의 파형의 면적에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  40. 제 29 항에 있어서,
    측정된 상기 근전도 신호에 기초하여 상기 환자의 낙상 위험도를 결정하는 것은, 비-마비 측 근전도 신호에 대한 마비 측 근전도 신호의 비율에 기초하여 상기 환자의 낙상 위험도를 결정하는 것을 포함하는, 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 시스템.
  41. 제 1 항 및 제 20 항 중 어느 한 항의 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능 저장 매체.
PCT/KR2024/007338 2023-05-30 2024-05-29 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템 Ceased WO2024248484A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230069213A KR20240171395A (ko) 2023-05-30 2023-05-30 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템
KR10-2023-0069213 2023-05-30

Publications (1)

Publication Number Publication Date
WO2024248484A1 true WO2024248484A1 (ko) 2024-12-05

Family

ID=93658263

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/007338 Ceased WO2024248484A1 (ko) 2023-05-30 2024-05-29 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR20240171395A (ko)
WO (1) WO2024248484A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180067233A (ko) * 2016-12-12 2018-06-20 한국과학기술원 낙상위험 평가방법 및 이를 위한 사용자 단말기
KR20210097286A (ko) * 2020-01-30 2021-08-09 부산대학교병원 표면근전도 신호를 이용한 근육병증 감별장치
KR20210098256A (ko) * 2020-01-31 2021-08-10 대전대학교 산학협력단 근전도 신호 피드백을 활용한 신경근 자극 장치 및 방법
KR20210157526A (ko) * 2020-06-19 2021-12-29 고려대학교 산학협력단 의료용 건강관리 서비스 플랫폼

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180067233A (ko) * 2016-12-12 2018-06-20 한국과학기술원 낙상위험 평가방법 및 이를 위한 사용자 단말기
KR20210097286A (ko) * 2020-01-30 2021-08-09 부산대학교병원 표면근전도 신호를 이용한 근육병증 감별장치
KR20210098256A (ko) * 2020-01-31 2021-08-10 대전대학교 산학협력단 근전도 신호 피드백을 활용한 신경근 자극 장치 및 방법
KR20210157526A (ko) * 2020-06-19 2021-12-29 고려대학교 산학협력단 의료용 건강관리 서비스 플랫폼

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PARK IN-SEOK, JU SUNG-KWANG: "A Comparison of Lower Limb Muscle Activity Affecting Sit-to-Stand Movement of Stroke Patients", PNF AND MOVEMENT, vol. 16, no. 1, 30 April 2018 (2018-04-30), KR, pages 59 - 66, XP093244847, ISSN: 2508-6227, DOI: 10.21598/JKPNFA.2018.16.1.59 *

Also Published As

Publication number Publication date
KR20240171395A (ko) 2024-12-09

Similar Documents

Publication Publication Date Title
Postma et al. Validity of the detection of wheelchair propulsion as measured with an Activity Monitor in patients with spinal cord injury
Bohannon et al. Walking speed: reference values and correlates for older adults
Munoz-Organero et al. Sensor optimization in smart insoles for post-stroke gait asymmetries using total variation and L 1 distances
Hatfield et al. Baseline gait muscle activation patterns differ for osteoarthritis patients who undergo total knee arthroplasty five to eight years later from those who do not
Nayak et al. Measurement of gait and balance in the elderly
Karolus et al. Facilitating bodily insights using electromyography-based biofeedback during physical activity
Miner et al. Validity of postural sway assessment on the Biodex BioSway™ compared with the NeuroCom Smart Equitest
US20230148943A1 (en) Network analysis of electromyography for diagnostic and prognostic assessment
Pu et al. Feedback system based on plantar pressure for monitoring toe-walking strides in children with cerebral palsy
Yang et al. Volitional muscle strength in the legs predicts changes in walking speed following locomotor training in people with chronic spinal cord injury
Sousa et al. Interlimb relation during the double support phase of gait: an electromyographic, mechanical and energy-based analysis
Rahman et al. Muscle forces and power are significantly reduced during walking in patients with peripheral artery disease
Bohlke et al. Accelerometry applications and methods to assess standing balance in older adults and mobility-limited patient populations: a narrative review
van den Berg-Emons et al. Factors associated with the level of movement-related everyday activity and quality of life in people with chronic heart failure
Szpala et al. Selected spatiotemporal and joint angle parameters in normal gait and nordic walking with classical and mechatronic poles in aspects of sex differences
Gonçalves et al. Digital biomarkers of mobility and quality of life in Parkinson's disease based on a wearable motion analysis LAB
Stettler et al. Passive anterior tibial translation in women with and without joint hypermobility: an exploratory study
Horn et al. Flexion relaxation ratio not responsive to acutely induced low back pain from a delayed onset muscle soreness protocol
WO2024248484A1 (ko) 뇌졸중 환자의 근전도 신호에 기반한 낙상 예측 방법 및 시스템
Setiawan et al. Real-Time Delayed Onset Muscle Soreness (DOMS) Detection in High Intensity Interval Training Using Artificial Neural Network
Zhang et al. Measuring balance abilities of transtibial amputees using multiattribute utility theory
Viseux et al. Ankle torque variance is a better indicator of balance control performance than plantar perceptual sensitivity threshold
Hilgenkamp et al. Effects of a 12‐week telehealth exercise intervention on gait speed and gait deviations in adults with Down syndrome
Araki et al. Examination of effect and responder to real-time auditory feedback during overground gait for stroke: a randomized cross-over study
WO2024112141A1 (ko) 동작분석 기반의 사용자 맞춤형 심장재활 운동 서비스 제공 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24815859

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE