使用机器学习算法识别跌倒风险制造技术

可以基于机器学习算法来确定人的跌倒风险。可以使用跌倒风险信息来通知该人和/或第三方监视人员(例如，医生、理疗师、私人教练等)该人的跌倒风险。该信息可用于监视和追踪可能受健康状况、生活方式或医疗中的改变所影响的跌倒风险的变化。此外，跌倒风险分类可以帮助个人在他们跌倒风险更高的日子里更加小心。可以使用机器学习算法来估计跌倒风险，所述机器学习算法通过计算基本和高级间断平衡模型(PEM)稳定性度量来处理来自负载传感器的数据。

【技术实现步骤摘要】
使用机器学习算法识别跌倒风险本申请是2016年6月29日提交的申请号为201680039095.5的同名专利申请的分案申请。
本公开涉及机器学习算法。更具体地，本公开的部分涉及应用机器学习算法来确定患者平衡或识别患者跌倒风险。
技术介绍
在美国人口中，意外跌倒导致每年超过3万人死亡。老年人最容易跌倒，因此遭受每年有超过30万的髋部骨折。在髋部骨折的患者中，有50％的人再也回不到家中。导致这些跌倒事件的不良平衡常常在跌倒事件之前几十年下降，但是解决不良平衡的常规方法是在跌倒发生或者患者具有非常严重的平衡问题之后才寻求医学诊断和干预。事实上，当前对跌倒的最好预测是人是否已经跌倒。为了真正改进全国的跌倒统计，应该在第一次跌倒之前执行预防性干预。平衡与其他身体性能类似，可以通过练习改进，反之则会随着废用而恶化。众所周知，许多生活方式和健康因素(例如，运动、力量、睡眠、认知功能、维生素D补充和用药管理)影响个人的平衡。改变生活方式以改进平衡需要一些时间来建立其保护效果。测量平衡和跌倒风险提供了机会来检测健康和生活方式调整时可能发生的微妙的平衡变化。人类平衡控制系统是非常复杂的，利用三个或更多个感觉输入，创建运动输出的指令集合，每一个都具有受潜意识和有意识控制、经验、背景和个性所影响的不同策略。关于跌倒的情况进一步复杂化，因为跌倒的来源可能来自众多的内在和外在因素。因此，单独用一种对平衡的基本测量手段来预测跌倒是不够的。机器学习技术针对人类平衡控制系统提供的额外的洞察力和预测能力可以便于更准确地预测跌倒。美国专利No.8,011,229中讨论了一种这样的机器学习方法。'229专利使用隐马尔可夫模型技术以用于通过根据压力中心(COP)数据识别不同的姿势状态来确定姿势稳定性。COP是来自2个或更多个压力或负载传感器的组合压力的中心位置。姿势状态与静态或动态的分类有关。如名称所暗示的，静态姿势状态被定义为COP数据内的停留区域，其中摆动受限于单一平衡。当人们处于静止状态时，他们的身体摆动被认为是在控制之下，并且人们更加平衡且不太可能跌倒。动态姿势状态被定义为不受任何平衡约束的COP数据的部分，并且根据定义不受约束或不受控制。当人们处于动态状态时，他们被认为是“避开”平衡，并且正在移动到另一平衡或跌倒。静态和动态姿势状态便于评估以前没有记载的姿势稳定性，定义新的姿势控制模型：间断平衡模型(PEM)。PEM被定义为由动态轨迹标出的稳定时段。姿势状态的PEM分类特别适用于对稳定性的实时或接近实时评估。然而，量化姿势状态的后续度量便于确定沿着更长时间线的不稳定性趋势。PEM中的姿势不稳定性的测量被识别为：平衡数量、平衡停留时间和平衡的大小。PEM方法有许多优点。首先，该技术对统一数据进行分类，识别稳定区域和动态轨迹，后者被视为不稳定的。描述阈值函数以识别用户所处的姿势状态，无论是用于实时识别还是长期检测姿势不稳定性。此外，该方法创建了对稳定性的相对测量，其与高度和重量、脚的位置或已知的稳定边界无关地进行创建。虽然上述方法改进了对姿势稳定性的认识，但通常理解的是，跌倒的多因子性质意味着难以实现对落在实时和接近实时范围外的跌倒进行预测。尽管发展到目前，但仍然需要改进姿势稳定性表示。
技术实现思路
确定患者的跌倒风险仍然是具有挑战性的任务。传统的跌倒风险指标是个人以前是否跌倒。传统的跌倒风险评估测试将个人置于危险之中，例如通过将个人置于具有挑战性的位置，并判定其在该位置的稳定性。然而，测试的负面结果是跌倒，因此测试与传统的跌倒风险指标没有什么不同。PEM方法可以用于确定患者的跌倒风险。机器学习算法可以用于识别度量和指示个体的跌倒风险的原始数据的组合。由于PEM方法不会将个体置于危险的位置，因此可以评估个体的跌倒风险，而对个体几乎没有危险。根据本专利技术的实施例，提供了一种用于平衡和跌倒风险测量和分析的改进方法，其包括以下步骤：从至少两个或更多个传感器获取负载数据点，针对每一个数据点计算压力中心(COP)，并且基于计算出的COP使用机器学习算法以用于对跌倒风险进行分类。本专利技术的实施例包括隐式马尔可夫模型作为机器学习算法。然后该方法可以包括计算当前姿势状态、下一姿势状态和度量范围。度量可以包括基本间断平衡模型(PEM)度量中的至少一个，以及一组高级PEM稳定性度量中的至少一个：到第一平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间，以及方向平衡。根据本专利技术的一些实施例，提供了一种用于平衡和跌倒风险测量和分析的改进方法，其包括以下步骤：计算当前姿势状态、下一姿势状态，以及集成度量的范围。度量可以包括基本PEM稳定性度量中的至少一个，以及一组高级PEM稳定性度量中的至少一个：到第一平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间，以及方向平衡，以及COP基本度量中的至少一个。来自基本PEM稳定性度量、高级PEM稳定性度量和基本度量中的每一个的至少一个度量的集成可以使用几种可能的人工智能技术之一以用于确定最终平衡分数和跌倒风险。这些方法包括：使用主成分分析、贝叶斯分类、神经网络或基于深度学习的策略，以及SVM(支持向量机)。在一个实施例中，集成模型是稳定性度量的线性组合，其包括来自基本PEM稳定性度量、高级PEM稳定性度量和基本度量中的每一个的至少一个度量。将度量转换为1到10等级的参数分数，并将复合平衡分数计算为度量的加权平均。综合平衡分数的范围也可以从1到10。可以将阈值分配给平衡分数以用于分类患者。在一些实施例中，可以通过容纳负载传感器的系统以及捕获和发送负载数据并因此收集关于人的平衡数据的信号准备模块的系统来辅助跌倒风险的确定。该系统可以是包括两个或更多个负载传感器的标尺，其将负载数据无线发送到移动设备，然后发送到数据分析模块。在一些实施例中，标尺可以通过诸如蓝牙或Wi-Fi之类的短程通信链路将数据发送到诸如电话、平板计算机或膝上型计算机之类的移动设备，这些移动设备然后通过长程通信链路(例如，通过互联网的广域网(WAN))将数据发送到具有数据分析模块的服务器。在一些实施例中，标尺可以通过短程通信链路将数据发送到移动设备，并且移动设备可以包括数据分析模块，并且数据分析模块的结果可以被上传到服务器以用于监视和/或访问数据。移动设备或服务器中的数据分析模块可执行对数据的处理，例如执行机器学习算法并计算平衡分数和跌倒风险分类。在一些实施例中，可以将结果显示在系统上以供显示，例如标尺上的LED或LCD。在一些实施例中，系统可以是容纳两个或更多个负载传感器、数据分析模块和用于输出个体的平衡和/或跌倒风险的显示器的设备。该设备可以包括个人可以站立在其上的表面，所述表面包括两个或更多个负载传感器。输入分析模块(例如，被配置为实施用于执行机器学习算法的步骤的处理器)可以处理来自两个或更多个负载传感器的数据，并且生成平衡信息和/或跌倒风险分类。设备的照明构件可以包括LED灯，其通过半透明的顶表面照亮，创建表示用户的跌倒风险分类的颜色的发光效果，并且通过顶表面照亮的LED数字可以显示平本文档来自技高网...

【技术保护点】
1.一种方法，包括：/n由处理器从至少两个负载检测模块接收在一段时间内的多个负载数据点；/n通过将第一机器学习算法应用于所述多个负载数据点来至少部分地基于所述多个负载数据点确定多个姿势状态；/n至少部分地基于所述多个姿势状态来计算一个或多个基本间断平衡模型(PEM)稳定性度量，其中，所述基本间断平衡模型(PEM)稳定性度量包括对应于多个姿势状态的存在的度量；/n至少部分地基于所述多个姿势状态来计算一个或多个高级间断平衡模型(PEM)稳定性度量，其中，所述高级间断平衡模型(PEM)稳定性度量包括对应于所述多个姿势状态之间的关系的度量；以及/n至少部分地基于所述一个或多个基本间断平衡模型(PEM)稳定性度量以及所述一个或多个高级间断平衡模型(PEM)稳定性度量，来确定平衡分数。/n

【技术特征摘要】
20150630 US 62/186,3661.一种方法，包括：
由处理器从至少两个负载检测模块接收在一段时间内的多个负载数据点；
通过将第一机器学习算法应用于所述多个负载数据点来至少部分地基于所述多个负载数据点确定多个姿势状态；
至少部分地基于所述多个姿势状态来计算一个或多个基本间断平衡模型(PEM)稳定性度量，其中，所述基本间断平衡模型(PEM)稳定性度量包括对应于多个姿势状态的存在的度量；
至少部分地基于所述多个姿势状态来计算一个或多个高级间断平衡模型(PEM)稳定性度量，其中，所述高级间断平衡模型(PEM)稳定性度量包括对应于所述多个姿势状态之间的关系的度量；以及
至少部分地基于所述一个或多个基本间断平衡模型(PEM)稳定性度量以及所述一个或多个高级间断平衡模型(PEM)稳定性度量，来确定平衡分数。


2.根据权利要求1所述的方法，其中，所述第一机器学习算法包括隐式马尔科夫模型(HMM)，并且所述HMM基于所述多个负载数据点对静态和动态姿势状态进行分类。


3.根据权利要求1所述的方法，其中，确定所述平衡分数的步骤包括将第二机器学习算法应用于所述一个或多个基本PEM稳定性度量和所述一个或多个高级PEM稳定性度量。


4.根据权利要求3所述的方法，其中，所述第二机器学习算法包括神经网络，其中，所述神经网络利用来自具有已知跌倒历史的个人的训练数据来进行训练。


5.根据权利要求1所述的方法，其中，确定所述平衡分数的步骤包括：使用人工智能技术从倒立摆模型(IPM)计算基本姿势稳定性度量，并且其中，所确定的平衡分数至少部分地基于所述基本姿势稳定性度量。


6.根据权利要求1所述的方法，还包括基于所述多个负载数据点计算至少一个基本非PEM度量，并且其中，确定所述平衡分数包括线性地集成所述一个或多个基本PEM稳定性度量、所述一个或多个高级PEM稳定性度量、以及所述至少一个基本非PEM度量的加权度量。


7.根据权利要求6所述的方法，其中，所述至少一个基本非PEM度量包括以下中的至少一个：峰值中间外侧摆动、峰值前后摆动、中间外侧摆动的标准偏差、前后摆动的标准偏差、平均速度、高于预定速度的试验的分数、95％摆动椭圆的半径、95％摆动圆的半径、以及均方根(RMS)速度。


8.根据权利要求1所述的方法，其中，所述一个或多个基本PEM稳定性度量包括以下中的至少一个：平衡数量、平衡中的停留时间、以及每一个平衡的大小，其中，所述高级PEM稳定性度量包括以下中的至少一个：平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间、或方向平衡。


9.根据权利要求1所述的方法，还包括根据所述平衡分数对跌倒风险进行分类，其中，所述跌倒风险分类基于分类阈值。


10.根据权利要求1所述的方法，还包括：收集个人的历史数据，其中，至少部分地基于所述历史数据来确定所述平衡分数。


11.根据权利要求10所述的方法，其中，收集历史数据的步骤包括收集以下中的至少一个：临床记录、锻炼、生活方式输入、体重、体脂组成、体质指数、水合水平、药物消耗、饮酒消耗、睡眠、每天步数、锻炼、坐着花费的时间、或力量。


12.根据权利要求1所述的方法...

【专利技术属性】
技术研发人员：K·福思，E·L·埃丹，
申请(专利权)人：兹布里奥有限公司，
类型：发明
国别省市：美国;US