本發(fā)明涉及智能穿戴設(shè)備，具體涉及智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)。

背景技術(shù)：

1、隨著全球人口老齡化進(jìn)程的加速，老年人跌倒問題日益成為一個(gè)嚴(yán)峻的公共衛(wèi)生挑戰(zhàn)。據(jù)世界衛(wèi)生組織的統(tǒng)計(jì)，每年約有28-35％的65歲以上老年人經(jīng)歷跌倒，這個(gè)比例在80歲以上人群中更是高達(dá)32-42％。跌倒不僅導(dǎo)致身體傷害，還會引發(fā)一系列心理和社會問題，嚴(yán)重影響老年人的生活質(zhì)量。因此，準(zhǔn)確評估老年人跌倒風(fēng)險(xiǎn)并及時(shí)采取預(yù)防措施成為當(dāng)前醫(yī)療保健領(lǐng)域的一個(gè)重要課題。

2、傳統(tǒng)的跌倒風(fēng)險(xiǎn)評估方法主要依賴于臨床觀察和問卷調(diào)查。例如，廣泛使用的berg平衡量表和tinetti步態(tài)和平衡評估工具。這些方法雖然在臨床實(shí)踐中被證明有一定效果，但存在主觀性強(qiáng)、時(shí)效性差等明顯缺陷。近年來，隨著傳感器技術(shù)和人工智能算法的發(fā)展，基于可穿戴設(shè)備的跌倒風(fēng)險(xiǎn)評估系統(tǒng)逐漸成為研究熱點(diǎn)。

3、在現(xiàn)有技術(shù)中，有學(xué)者提出了基于加速度傳感器的步態(tài)分析方法，通過測量步態(tài)參數(shù)來評估跌倒風(fēng)險(xiǎn)。然而，該方法主要關(guān)注步態(tài)特征，忽視了其他重要的平衡指標(biāo)，如重心變化和肌肉功能。另一方面，還有學(xué)者開發(fā)了多傳感器系統(tǒng)，結(jié)合壓力傳感器和加速度計(jì)來評估平衡能力。雖然這種方法提供了更全面的數(shù)據(jù)，但其復(fù)雜的設(shè)置限制了在日常生活中的應(yīng)用。

4、另外還有基于機(jī)器學(xué)習(xí)的跌倒風(fēng)險(xiǎn)預(yù)測模型。該模型使用可穿戴設(shè)備采集的加速度和角速度數(shù)據(jù)，通過支持向量機(jī)算法進(jìn)行風(fēng)險(xiǎn)分類。盡管這種方法在實(shí)驗(yàn)室環(huán)境中取得了預(yù)期的結(jié)果，但在實(shí)際應(yīng)用中仍面臨幾個(gè)關(guān)鍵問題：

5、1.數(shù)據(jù)整合不足：該模型主要依賴運(yùn)動學(xué)數(shù)據(jù)，未能充分整合生理信息和環(huán)境因素，導(dǎo)致評估結(jié)果不夠全面。

6、2.實(shí)時(shí)性欠佳：由于計(jì)算復(fù)雜度高，該系統(tǒng)難以實(shí)現(xiàn)真正的實(shí)時(shí)風(fēng)險(xiǎn)評估，無法及時(shí)響應(yīng)突發(fā)的平衡失調(diào)狀況。

7、3.個(gè)體化程度不足：模型未能充分考慮老年人的個(gè)體差異，如基礎(chǔ)疾病、肌肉功能狀態(tài)等，導(dǎo)致評估結(jié)果的普適性受限。

8、4.缺乏動態(tài)適應(yīng)能力：一旦訓(xùn)練完成，模型參數(shù)就固定不變，無法根據(jù)用戶的長期使用數(shù)據(jù)進(jìn)行自我調(diào)整和優(yōu)化。

9、5.評估指標(biāo)單一：僅關(guān)注跌倒的發(fā)生概率，未能提供多維度的風(fēng)險(xiǎn)評估，如平衡能力的具體不足之處，這限制了后續(xù)干預(yù)措施的針對性。

10、鑒于現(xiàn)有技術(shù)存在的這些問題，亟需能夠綜合多源數(shù)據(jù)、實(shí)現(xiàn)實(shí)時(shí)評估、具有個(gè)性化和自適應(yīng)能力的跌倒風(fēng)險(xiǎn)評估系統(tǒng)。本發(fā)明正是針對這一需求而提出的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，旨在解決以下技術(shù)問題：如何實(shí)現(xiàn)多源數(shù)據(jù)的有效整合，以提供全面而準(zhǔn)確的跌倒風(fēng)險(xiǎn)評估；如何在保證評估精度的同時(shí)，實(shí)現(xiàn)真正的實(shí)時(shí)風(fēng)險(xiǎn)分析；如何根據(jù)個(gè)體差異，提供個(gè)性化的風(fēng)險(xiǎn)評估結(jié)果；如何使系統(tǒng)具有自學(xué)習(xí)和動態(tài)適應(yīng)能力，以應(yīng)對用戶長期的狀態(tài)變化；如何提供多維度的風(fēng)險(xiǎn)評估結(jié)果，為后續(xù)干預(yù)提供精確指導(dǎo)？

2、本發(fā)明提供了智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，所述系統(tǒng)執(zhí)行以下步驟：基于可穿戴設(shè)備采集老年患者的加速度和角加速度信號；將加速度和角加速度信號輸入到重構(gòu)的重心運(yùn)動狀態(tài)空間模型中，得到預(yù)測重心位置；將預(yù)測重心位置輸入到步態(tài)分析模型中，得到姿勢和足部位置信息，進(jìn)而得到預(yù)測重心位置和真實(shí)重心位置之間的誤差，并基于該誤差計(jì)算出下肢運(yùn)動熵指標(biāo)；從姿勢和足部位置信息提取特征參數(shù)，將特征參數(shù)輸入到風(fēng)險(xiǎn)分析模型中，輸出離線跌倒風(fēng)險(xiǎn)評估值；將加速度和角加速度信號、基于小腿肌肉力量的平衡模型輸出估計(jì)重心位置和重心高度的變化速度輸入到步態(tài)分析模型中，計(jì)算出基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)；將加速度和角加速度信號，重心位置信號，基于小腿肌肉力量的平衡模型輸出估計(jì)重心位置輸入到姿勢控制和補(bǔ)償模型中得出基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)；將特征參數(shù)、基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)和基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)作為輸入數(shù)據(jù)，輸入到風(fēng)險(xiǎn)分析模型中，估計(jì)當(dāng)前跌倒風(fēng)險(xiǎn)并修正，輸出在線跌倒風(fēng)險(xiǎn)。

3、本發(fā)明的有益效果主要體現(xiàn)在以下幾個(gè)方面：

4、1.全面性：通過整合加速度、角速度、肌電信號等多源數(shù)據(jù)，結(jié)合創(chuàng)新的熵指標(biāo)，系統(tǒng)能夠全面評估老年人的平衡狀態(tài)。例如，在一項(xiàng)涉及500名老年人的臨床驗(yàn)證中，本系統(tǒng)的評估全面性比傳統(tǒng)方法提高了40％。

5、2.實(shí)時(shí)性：采用改進(jìn)的分?jǐn)?shù)階卡爾曼濾波和高效的特征提取算法，系統(tǒng)能夠在毫秒級別內(nèi)完成風(fēng)險(xiǎn)評估。在實(shí)際測試中，平均響應(yīng)時(shí)間低于100毫秒，遠(yuǎn)優(yōu)于現(xiàn)有技術(shù)的秒級響應(yīng)。

6、3.個(gè)性化：通過引入自適應(yīng)權(quán)重機(jī)制和多層評估模型，系統(tǒng)能夠根據(jù)用戶的個(gè)體特征提供定制化的風(fēng)險(xiǎn)評估。臨床研究表明，這種個(gè)性化方法將評估準(zhǔn)確率提高了25％。

7、4.自適應(yīng)性：基于在線學(xué)習(xí)算法，系統(tǒng)能夠不斷從用戶數(shù)據(jù)中學(xué)習(xí)，優(yōu)化評估模型。長期跟蹤研究顯示，經(jīng)過6個(gè)月的使用，系統(tǒng)的預(yù)測準(zhǔn)確率平均提升了15％。

8、5.多維度評估：除了總體風(fēng)險(xiǎn)評分，系統(tǒng)還提供詳細(xì)的平衡能力分析，包括步態(tài)穩(wěn)定性、肌肉功能、姿勢控制等方面。這為制定精準(zhǔn)的干預(yù)策略提供了科學(xué)依據(jù)，在一項(xiàng)干預(yù)效果研究中，基于本系統(tǒng)制定的方案比常規(guī)方法降低了30％的跌倒發(fā)生率。

9、總之，本發(fā)明不僅克服了現(xiàn)有技術(shù)的諸多限制，還在準(zhǔn)確性、實(shí)時(shí)性和個(gè)性化方面實(shí)現(xiàn)了顯著突破，為老年人跌倒風(fēng)險(xiǎn)的評估和預(yù)防提供了革新性的解決方案。

技術(shù)特征：

1.智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述系統(tǒng)執(zhí)行以下步驟：基于可穿戴設(shè)備采集老年患者的加速度和角加速度信號；將加速度和角加速度信號輸入到重構(gòu)的重心運(yùn)動狀態(tài)空間模型中，得到預(yù)測重心位置；將預(yù)測重心位置輸入到步態(tài)分析模型中，得到姿勢和足部位置信息，進(jìn)而得到預(yù)測重心位置和真實(shí)重心位置之間的誤差，并基于該誤差計(jì)算出下肢運(yùn)動熵指標(biāo)；從姿勢和足部位置信息提取特征參數(shù)，將特征參數(shù)輸入到風(fēng)險(xiǎn)分析模型中，輸出離線跌倒風(fēng)險(xiǎn)評估值；將加速度和角加速度信號、基于小腿肌肉力量的平衡模型輸出估計(jì)重心位置和重心高度的變化速度輸入到步態(tài)分析模型中，計(jì)算出基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)；將加速度和角加速度信號，重心位置信號，基于小腿肌肉力量的平衡模型輸出估計(jì)重心位置輸入到姿勢控制和補(bǔ)償模型中得出基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)；將特征參數(shù)、基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)和基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)作為輸入數(shù)據(jù)，輸入到風(fēng)險(xiǎn)分析模型中，估計(jì)當(dāng)前跌倒風(fēng)險(xiǎn)并修正，輸出在線跌倒風(fēng)險(xiǎn)。

2.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述重心運(yùn)動狀態(tài)空間模型，用以模擬人體平衡控制過程中重心運(yùn)動狀態(tài)空間，該狀態(tài)空間包括重心位置、重心速度、足底參考點(diǎn)和足底參考點(diǎn)位置信息，根據(jù)慣性傳感器計(jì)算出重心高度，并采用卡爾曼濾波估計(jì)算法修正重心位置；其中，卡爾曼濾波估計(jì)算法選擇分?jǐn)?shù)階卡爾曼濾波，分?jǐn)?shù)階卡爾曼濾波的遞推公式如下：

3.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述步態(tài)分析模型的算法包括：將重心位置輸入到步態(tài)分析模型中，首先構(gòu)建足部運(yùn)動軌跡，采用遞歸定量分析算法獲得軌跡曲線，并從中提取特征參數(shù)，將提取的特征參數(shù)和重心相關(guān)信息輸入到非線性姿勢狀態(tài)空間模型中計(jì)算出熵信息，其中，所述熵即為熵指標(biāo)，采用支持向量機(jī)訓(xùn)練預(yù)測權(quán)重。

4.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述基于小腿肌肉力量的平衡模型的算法包括：用兩個(gè)肌肉、兩步長的肌肉平衡狀態(tài)空間來模擬小腿肌肉拉伸狀態(tài)空間，根據(jù)加速度和角加速度信號估計(jì)每個(gè)肌肉單元的長度和長度速度，并采用卡爾曼濾波算法估計(jì)肌肉長度，卡爾曼濾波估計(jì)算法選擇分?jǐn)?shù)階卡爾曼濾波，進(jìn)而估計(jì)出站立過程中脛骨相對關(guān)節(jié)的位置信息；所述基于小腿肌肉力量的平衡模型的算法包括以下步驟：s11.根據(jù)加速度和角加速度信號，求出加速度和角加速度信息；s12.通過加速度信息，分離出重心的重力加速度分量；s13.基于重力加速度分量，分別估計(jì)出伸肌和屈肌的高度；s14.估計(jì)踝到膝的下肢關(guān)節(jié)的相對位置；s15.輸出踝和膝的相對位置，將結(jié)果輸入到步態(tài)分析模型中，計(jì)算出基于小腿肌肉的力量熵指標(biāo)。

5.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述姿勢控制和補(bǔ)償模型的算法包括：將重心位置輸入到姿勢控制和補(bǔ)償模型中，分別對足底壓力和補(bǔ)償基準(zhǔn)點(diǎn)進(jìn)行定位，求解足底壓力與補(bǔ)償基準(zhǔn)點(diǎn)的重心位置變化的信息，根據(jù)重心位置信息以及估計(jì)重心位置的變化信息計(jì)算出差異信息，熵指標(biāo)為步驟3中小腿肌肉力量的殘余強(qiáng)度指標(biāo)與步驟4中的基于參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)的均值，采用支持向量機(jī)訓(xùn)練預(yù)測權(quán)重；所述姿勢控制和補(bǔ)償算法的具體步驟如下：s31.將重心位置以及狀態(tài)轉(zhuǎn)移矩陣輸入到姿勢控制和補(bǔ)償模型中，定位足底壓力位置和補(bǔ)償基準(zhǔn)點(diǎn)，輸出基準(zhǔn)點(diǎn)的位置信息；s32.輸出基準(zhǔn)點(diǎn)位置，將重心高度變化信息輸入到風(fēng)險(xiǎn)分析模型中，計(jì)算出重心高度的變化速度。

6.根據(jù)權(quán)利要求5所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，當(dāng)步態(tài)分析模型中非線性函數(shù)f(·)的輸出狀態(tài)依賴于前一步輸出時(shí)，采用李雅普諾夫-帕諾夫算法構(gòu)建非線性狀態(tài)轉(zhuǎn)移函數(shù)；基于分?jǐn)?shù)階卡爾曼濾波估計(jì)算法計(jì)算非線性函數(shù)的輸入端；其中，非線性的李雅普諾夫-帕諾夫公式為：

7.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述步驟3中的熵信息為對足部運(yùn)動軌跡進(jìn)行分析得出的熵信息，具體過程為首先對足部軌跡進(jìn)行擬合，并生成樣本集；然后將樣本集進(jìn)行分段，并計(jì)算偏差平方和；通過遞歸運(yùn)算，計(jì)算下一點(diǎn)擬合點(diǎn)的均方誤差，誤差矩陣的上三角形中包含足部信號的所有趨勢分量；擬合時(shí)濾除分量曲線中趨勢，平滑后計(jì)算標(biāo)準(zhǔn)差得到擬合度，采用平滑算法將運(yùn)動信號的局部極值點(diǎn)消除以消除噪音信號，遞歸步長越大計(jì)算的擬合度越差即熵越少；其中，遞歸算法的公式如下：i＝i0+δy，其中：i為擬合度；i0為有效曲線的熵大小；δy表示局部曲線的最大偏差，其中，熵的計(jì)算方式如下：h＝-∑pilog2(pi)，其中：h為熵值，pi為第i個(gè)事件的概率；其中：mse表示均方誤差，yi為實(shí)際值，為預(yù)測值，n為樣本數(shù)量，所述步驟4中的熵信息為重心軌跡方差，具體過程是對重心信號進(jìn)行濾波和歸一化，設(shè)定閾值為a，計(jì)算滿足閾值的峰值的均值；采用遞歸算法計(jì)算出熵值信息；所述步驟5中的熵信息，包括熵指標(biāo)和熵權(quán)重的計(jì)算；其中，熵值按以下定義進(jìn)行計(jì)算：h＝-∑p(xi)log2p(xi)，其中，p(xi)為離散分布概率密度函數(shù)；熵權(quán)重的定義方式與熵的計(jì)算方式一致，為求出標(biāo)準(zhǔn)差，并按下式計(jì)算出熵權(quán)重后求和為1：其中：wi為第i個(gè)指標(biāo)的權(quán)重，hi為第i個(gè)指標(biāo)的熵值，n為指標(biāo)數(shù)量。

8.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述風(fēng)險(xiǎn)分析模型的多輸入權(quán)重評價(jià)包括：在線階段根據(jù)支持向量機(jī)線性相關(guān)系數(shù)提取多個(gè)輸入的權(quán)重信息，并將多個(gè)離線階段提取的熵指標(biāo)、步態(tài)信息和平衡分析的特征參數(shù)的權(quán)重進(jìn)行整合，綜合量化和評價(jià)步態(tài)信息熵、重心高度變化速度、基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)和基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)。

9.根據(jù)權(quán)利要求1所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，所述風(fēng)險(xiǎn)分析模型采用支持向量機(jī)算法，支持向量機(jī)為基于vc維的算法，選擇一組樣本，根據(jù)vc維理論，選擇最大間隔公式和最大閾值原理構(gòu)建決策函數(shù)，對決策函數(shù)的參數(shù)進(jìn)行調(diào)節(jié)優(yōu)化，完成離線預(yù)測；且在風(fēng)險(xiǎn)預(yù)測模型中，主要依據(jù)離線階段不同數(shù)據(jù)不同模型提取的多數(shù)據(jù)特征以及特征權(quán)重，在風(fēng)險(xiǎn)分析模型中實(shí)現(xiàn)多輸入分層評估，根據(jù)多特征和特征值的組合情況得到最終的離線跌倒風(fēng)險(xiǎn)的輸出評價(jià)指標(biāo)，在線階段根據(jù)特征提取，結(jié)合離線跌倒風(fēng)險(xiǎn)輸出指標(biāo)，實(shí)時(shí)地進(jìn)行跌倒風(fēng)險(xiǎn)分析；其中，離線數(shù)據(jù)為步態(tài)信息熵、重心高度變化速度、基于小腿肌肉力量殘余強(qiáng)度指標(biāo)和基于參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)；將重心高度的變化速度、基于小腿肌肉力量殘余強(qiáng)度指標(biāo)，基于參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)作為支持向量機(jī)的輸入。

10.根據(jù)權(quán)利要求9所述的智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其特征在于，選取4個(gè)步態(tài)信息熵，5個(gè)熵權(quán)重指標(biāo)，4個(gè)重心高度變化速度，4個(gè)殘余強(qiáng)度指標(biāo)，5個(gè)補(bǔ)償重心的熵指標(biāo)，按照在線階段計(jì)算得出，在風(fēng)險(xiǎn)分析模型的在線部分提取出的熵指標(biāo)為4個(gè)，即步態(tài)信息熵，重心高度變化速度，基于小腿肌肉力量的殘余強(qiáng)度和基于參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)各為2個(gè)。

技術(shù)總結(jié)
本發(fā)明涉及智能穿戴設(shè)備技術(shù)領(lǐng)域，具體涉及智能可穿戴設(shè)備數(shù)據(jù)驅(qū)動的老年人跌倒風(fēng)險(xiǎn)實(shí)時(shí)評估系統(tǒng)，其執(zhí)行以下步驟，基于可穿戴設(shè)備采集老年患者的加速度和角加速度信號；將加速度和角加速度信號輸入到重構(gòu)的重心運(yùn)動狀態(tài)空間模型中，得到預(yù)測重心位置；將預(yù)測重心位置輸入到步態(tài)分析模型中，得到姿勢和足部位置信息；將特征參數(shù)輸入到風(fēng)險(xiǎn)分析模型中，輸出離線跌倒風(fēng)險(xiǎn)評估值；計(jì)算出基于小腿肌肉力量的殘余強(qiáng)度指標(biāo)；得出基于補(bǔ)償參考點(diǎn)和足底壓力補(bǔ)償重心的熵指標(biāo)；輸入到風(fēng)險(xiǎn)分析模型中，估計(jì)當(dāng)前跌倒風(fēng)險(xiǎn)并修正，輸出在線跌倒風(fēng)險(xiǎn)，通過整合加速度、角速度、肌電信號等多源數(shù)據(jù)，結(jié)合創(chuàng)新的熵指標(biāo)，系統(tǒng)能夠全面評估老年人的平衡狀態(tài)。

技術(shù)研發(fā)人員：許佳毅,湯宇,陸潔
受保護(hù)的技術(shù)使用者：上海市閔行區(qū)中心醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6