账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
藉由惯性感测器和机器学习评估老年人跌倒风险
 

【作者: Barry Greene】2020年09月21日 星期一

浏览人次:【7901】

每一年当中,几乎每三位65岁以上的成人就有一位曾经跌倒,使得跌倒成为这一个年龄族群致命以及非致命损伤的关键因素。光是在美国,老年人因为跌倒造成伤害所衍生的医疗成本即高达500亿美元[1]。


如何降低跌倒造成的相关性伤害?评估病患的跌倒风险,以及风险被辨识到有威胁性时采取适当行动是相当重要的。许多传统评估跌倒风险的方法,然而,这些方法仰赖于主观的评判,或者需要特定领域的临床医学专家。


在Kinesis Health Technologies的工程团队开发了一个客观、量化的方法来对跌倒风险、脆弱性(frailty)、活动性损耗(mobility impairment)进行筛检,这种方法的精确程度比起传统方法高出了15%至27%。


我们的QTUG(定量计时起走;Quantitative Timed Up and Go)系统(图1),所使用的资料是从装在病患腿上的无线惯性感测器所收集来的。然后,利用MATLAB开发出的讯号处理演算法和以机器学习为基础的分类器,会依据从感测器收集到的资料及病患对于常见跌倒风险因素设计的问卷答覆,来计算该病人的跌倒风险评估(fall risk estimate;FRE)和脆弱指数(frailty index;FI)。



图1 : Kinesis QTUG系统的临床软体(左)和感测器(右)。
图1 : Kinesis QTUG系统的临床软体(左)和感测器(右)。

透过MATLAB开发QTUG软体,使QTUG的实现速度比原本完全使用Java的开发时间至少快了两到三倍。这让我们缩短了QTUG的上市时程,以及在美国食品药品监督管理局(FDA)、加拿大卫生部(Health Canada)、欧盟(EU)取得第一级(Class I)医疗装置注册的时间。


传统跌倒风险方法与QTUG比较

评估跌倒风险及活动性最常见的两种方法是计时起走(timed up and go;TUG)测试和柏格氏平衡量表(Berg Balance Scale;BBS)。在TUG测试,临床医师使用码表来测量病患从坐在椅子上到站起来,行走三公尺,转身,走回椅子,再重新坐回椅子上所花费的时间。 BBS测试则牵涉更多,需要病患完成一系列和平衡有关的任务;由临床医师为病患完成每一项子任务的能力进行0到4的评分。研究显示TUG和BBS测试在识别病患跌倒风险的精确度大约为50-60%。此外,BBS测试也需要临床医师主观地判断病患每一项任务的完成度。


而Kinesis QTUG则提供了比这两种方法更详细、客观、精确的选择。进行QTUG测试时,会装置两个无线惯性感测器,分别装在病患双腿膝盖的下方,每一个感测器包含一个加速仪与一个陀螺仪;这位病患接着执行标准的TUG测试运动,包含站立、行走、转身、回到椅子,这时感测器会透过蓝牙(Bluetooth)传送资料到QTUG软体(图2)。



图2 : 病患装上惯性感测器并执行TUG测试运动。
图2 : 病患装上惯性感测器并执行TUG测试运动。

加速仪与陀螺仪讯号的过滤和校正

穿戴在腿上的感测器单元包含了一个三轴加速仪和一个三轴陀螺仪。每一个加速仪产生三组讯号,反映沿着x、y、z三轴方向的运动;而每个陀螺仪也会产生三组讯号,反映三个维度的旋转运动。所有感测器共12组讯号的取样频率皆设在102.4 Hz。


为了移除资料中的高频杂讯,利用数位处理工具箱(Signal Processing Toolbox)提供的Filter Designer设计了一个数位滤波器来使用。在一开始的开发当中,评估了切比雪夫(Chebyshev)和巴特沃斯(Butterworth)两种滤波器,发现零相位、二阶的巴特沃斯滤波器在截止频率(corner frequency)为20 Hz时的效果最好。


设计滤波器的时候,我们也开发了一个MATLAB演算法来校正感测器,这些实地的校正演算法在从感测器讯号移除偏差以及要从不同感测器取得相应的讯号资料时有其必要性。校正演算法也负责将感测器产生的原始32-bit讯号值转换为有意义的数值,像是m/s2(公尺/秒平方)。


撷取特征与训练分类器

我们是利用MATLAB来探索过滤的讯号资料,以辨别特征与和脆弱性以及和跌倒风险有关的特性。举例来说,绘制各个时间的角速度(angular velocity),并且侦测对应到病患行走时的摆荡中期(mid-swing)、脚跟着地(heel strike)、脚趾离地(toe-off)等几个点的峰值(图3)。



图3 : 图表描绘了TUG测试中的角速度峰值。
图3 : 图表描绘了TUG测试中的角速度峰值。

我们找到了超过70个量化的TUG参数,这些参数可以跟病患的预期或历史跌倒资料互相搭配,使用来训练一个监督分类器;这些特征包含平均步速和步辐、起立与坐下花费的时间、转身需要的步数、步行时花在一脚及两脚上的时间(图4)。



图4 : 图表显示从传统TUG测试取得的资料所撷取的量化量测值。
图4 : 图表显示从传统TUG测试取得的资料所撷取的量化量测值。

接着使用MATLAB产品家族中的统计与机器学习工具箱(Statistics and Machine Learning Toolbox)的交叉验证和序列特征选择函式,来选择具备最高预测值的特征子集,并且也透过MATLAB来检验及实现该经过规则化的判别分类器模型。


我们在从病患问卷取得的资料上训练一个分离的罗吉斯回归(logistic regression)分类器,资料包含了临床的风险因子,像是性别、身高、体重、年龄、视觉损伤、以及多种药物(polypharmacy,处方药物服用的数量)等等。把以感测器为基础的模型和以问卷为基础的两个模型结果进行加权平均,而得到了整体跌倒风险估计(图5)。并使用类似的方法来产生病患脆弱程度的统计估计值。



图5 : 从男性的跌倒风险估计模型取得的扰动分析结果图表。扰动分析被使用来评估分类器的表现,并判断随着特征值受到操纵,输出值(跌倒风险估计)会如何变化的情形。
图5 : 从男性的跌倒风险估计模型取得的扰动分析结果图表。扰动分析被使用来评估分类器的表现,并判断随着特征值受到操纵,输出值(跌倒风险估计)会如何变化的情形。

验证结果并布署生产至硬体

我们以从几千位病患收集来的临床试验资料训练模型,并且评估了由混合分类器所产生的结果。作为分析的一部分,我们绘制脆弱性与跌倒风险的柱状图和散布图,确认了我们对于这两个量测值有高度相关的假设(图6)。



图6 : 柱状图与散布图显示脆弱性与跌倒风险之间的关联。
图6 : 柱状图与散布图显示脆弱性与跌倒风险之间的关联。

我们也以传统的TUG测试和柏格氏平衡量表(Berg Balance Scale)针对特定病患群体的评估结果来比对QTUG的准确度。举例来说,最近有一个着重于帕金森氏症的研究,显示QTUG的精确度比TUG测试高了将近30%。在每一种方法,会衡量灵敏性(跌倒者被正确辨识的百分比)和精确性(未跌倒者被正确辨识的百分比)。接着绘制所有方法的ROC曲线图,显示使用QTUG时的曲线下面积最大。


为了在有触控萤幕的Android装置上实现QTUG分类器,我们重新把分类器以Java改写。若要依据新的参考资料集来更新分类器的系数,我们只需要把这些系数从MATLAB汇出到会在接下来被合并到Android建置的Android资源档案。


完整的QTUG Android应用程式会为临床医师提供指南,包含测试、接收透过蓝牙传送的感测器资料、以分类器模型处理资料、呈现跌倒风险和脆弱性分数等,且一并提供病患结果与其同侪结果的比较作为参考。


到目前为止,已有八个国家的临床医师使用QTUG来评估超过20,000名病患。随着新的结果出现,我们持续改进参考资料集,也开发了可以让个人透过手机评估自己跌倒风险的MATLAB演算法,这个新的演算法可以处理从手机加速仪和陀螺仪取得的资料,然后产生简化版的跌倒风险估计,不需要亲自到医生的办公室,还可以每天追踪跌倒风险是否升高。


(本文由钛思科技提供;作者Barry Greene任职于Kinesis Health Technologies)


参考文献


[1] https://onlinelibrary.wiley.com/doi/full/10.1111/jgs.15304


相关文章
生成式AI与PC革新
机器学习可以帮助未来的癌症诊断
Premium Radar SDK以演算技术改进汽车雷达应用
资料科学与机器学习协助改善颈部损伤评估
MATLAB与Simulink整合自动化机器学习与DevOps
comments powered by Disqus
相关讨论
  相关新闻
» 生技中心深耕生技产业40年 朝跃升下个黄金10年发展
» 西药外销带动年成长32.9%助攻 台湾药品及医用化学品产值再破千亿
» 西门子医疗的磁流技术提高MRI可持续性和效率
» 亚湾2.0以智慧科技领航国际 加速产业加值升级
» 高通执行长Cristiano Amon於COMPUTEX 2024 分享智慧装置上的生成式AI运算


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83J8S2H1YSTACUKG
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw