A person's fall risk can be determined based on a machine learning algorithm. A fall risk information can be used to inform the person and / or third party surveillance personnel (for example, doctors, physiotherapists, personal trainers, etc.) the person's fall risk. This information can be used to monitor and track changes in fall risks that may be affected by changes in health, lifestyle or medical changes. In addition, the fall risk classification can help individuals to be more careful when they fall at a higher risk. Machine learning algorithm can be used to estimate fall risk. The machine learning algorithm processes data from load sensors by calculating the stability measure of basic and advanced discontinuous equilibrium model (PEM).
【技术实现步骤摘要】
【国外来华专利技术】使用机器学习算法识别跌倒风险
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 ...
【技术保护点】
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;以及由所述处理器通过将机器学习算法应用于所述多个负载数据点来估计跌倒风险,其中,估计所述跌倒风险的步骤包括:至少部分地基于所述多个负载数据点来计算压力中心(COP)数据;至少部分地基于所述压力中心(COP)数据来确定利用隐式马尔科夫模型技术识别的多个姿势状态;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;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;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,来确定所述跌倒风险。
【技术特征摘要】
【国外来华专利技术】2015.06.30 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;以及由所述处理器通过将机器学习算法应用于所述多个负载数据点来估计跌倒风险,其中,估计所述跌倒风险的步骤包括:至少部分地基于所述多个负载数据点来计算压力中心(COP)数据;至少部分地基于所述压力中心(COP)数据来确定利用隐式马尔科夫模型技术识别的多个姿势状态;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;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;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,来确定所述跌倒风险。2.根据权利要求2所述的方法,其中,所述估计所述跌倒风险的步骤还包括根据COP来计算至少一个基本非PEM度量。3.根据权利要求2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:COP速度、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。4.根据权利要求2所述的方法,还包括通过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,来计算平衡分数。5.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。6.根据权利要求1所述的方法,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、以及方向平衡。7.根据权利要求1所述的方法,还包括对所述跌倒风险进行分类的其它步骤,其中,所述跌倒风险分类是基于至少包括高风险、中等风险、以及低风险的分类阈值的。8.根据权利要求1所述的方法,其中,所述估计所述跌倒风险的步骤包括利用以下中的至少一个来应用所述机器学习算法: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、以及力量。9.根据权利要求1所述的方法,其中,获取的步骤包括从位于标尺、地板、垫子、鞋子、内底、袜子、步行器、助行器、梯子、手杖、假肢以及机器腿中的至少一个上的负载传感器获取所述多个负载数据点。10.根据权利要求1所述的方法,其中,所述估计所述跌倒风险的步骤还包括:至少基于所述多个姿势状态和在所述多个姿势状态中的至少一个与另一姿势状态之间的转变概率,确定时间点处的姿势,其中,所述姿势状态是静态姿势状态或动态姿势状态中的至少一个。11.一种用于确定人的姿势稳定性和跌倒风险的系统,包括:两个或更多...
【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:ISHOE有限公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。