一种用于预测老年人跌倒风险的方法技术

本发明专利技术公开了一种用于预测老年人跌倒风险的方法,包括以下步骤：将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区。并将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；然后以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；再利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；最后将压力变化曲线输入足压预测模型，得到预测值。本发明专利技术具有数据测量精度高、特征指标多样和预测准确度好的特点。

【技术实现步骤摘要】
一种用于预测老年人跌倒风险的方法
本专利技术涉及行为识别判断领域，特别是一种用于预测老年人跌倒风险的方法。
技术介绍
步行是在人体多种器官及肌肉的协调配合下所共同完成的一项最基本最自然的运动形式，步行能力是老年人独立活动和实现生活自理的基本保障。而人体步行的主要执行单元为下肢，而下肢运动所牵扯的骨头中有28块来源于足部。因此行走过程中的足底压力包含了丰富的步态信息，常被用来研究特殊人群，如老年人的步态异常情况，继而实时评估老年人行走过程中的跌倒风险，为老年人跌倒预防和干预提供理论支持和实践指导。目前对老年人跌倒风险评估常用的方法为观察法、量表法、测试法和仪器检测法，其中观察法需要测试人员具备相关的临床经验，且准确率较低。量表法和测试法在评定时容易受到人为因素干扰，只适合在临床实践中用作初步诊断，不适用于日常对老年人跌倒风险的预测和评估。而仪器检测法主要是借助足底压力测试平台，先由人工筛选特征作为检测因子，再通过测试平台记录人体行走时的特征数值，然后采用Logistic回归分析、支持向量机等传统机器学习方法，通过对特征数值进行技术得到检测结果。但这种预测方式在特征选取时仅能够选取离散、单一的特征指标作为检测因子，并不足以概况整个步态或平衡过程，导致预测准确性较低；并且特征提取与后续分类器的选择在很多研究中是彼此独立的过程，无法根据分类的结果对特征和分类器同时优化，从而造成仪器检测法检测效率低、泛化能力差的问题。此外，利用足底压力测试平台检测得到的数据本身存在高纬度、高变异、多变量、时间依赖及非线性等特点，则进一步增加了对预测结果的分析难度。因此，现有对老年人跌倒风险的预测方法存在数据测量精度低、特征指标单一和预测准确度差的问题。
技术实现思路
本专利技术的目的在于，提供一种用于预测老年人跌倒风险的方法。它具有数据测量精度高、特征指标多样和预测准确度好的特点。本专利技术的技术方案：一种用于预测老年人跌倒风险的方法，包括以下步骤：①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；④利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值。前述的种用于预测老年人跌倒风险的方法中，所述步骤①中足底压力区域的具体划分方法包括以下步骤：(1.1)依据Footscan足底压力平板测试系统将足底分为10个子区域，具体为：足后跟外侧区，足后跟内侧区，足中部区，第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区，第一跖骨区，第二至第五脚趾区和大踇趾区；(1.2)将足后跟外侧区和足后跟内侧区合并后作为脚后跟区，将第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区和第一跖骨区合并后作为脚前掌区；足中部区、第二至第五脚趾区和大踇趾区保持不变。前述的种用于预测老年人跌倒风险的方法中，所述步骤④中ConvLSTM预测模型的计算公式如下：ft＝σ(Wxf*xt+Whf*ht-1+bf)it＝σ(Wxi*xt+Whi*ht-1+bi)ot＝σ(Wxo*xt+Who*ht-1+bo)ht＝otοtanh(ct)其中it、ft和ot表示输入门、遗忘门和输出门，xt为当前时刻的输入，ht-1为前一时刻隐藏层的输出，ct为单元状态，*代表卷积运算，ο代表Hadamard乘积。前述的种用于预测老年人跌倒风险的方法中，所述步骤④中预测模型对单个样本的训练方式为：将任意一个样本表示为X＝{x1，x2，…，xL}，其中L为序列长度，xi为一个M维的向量，然后将X划分为N个子序列，则X＝{PT1，PT2，..，PTN}，每一个子序列Pti∈RM×1表示为Pti＝{x1Ti,…，x1Ti}，其中1是每一个子序列的长度，xkTi∈RM代表第i个子序列在时间点k的取值，每个样本序列划分为子序列后的数据输入格式为(N，1，M)。前述的种用于预测老年人跌倒风险的方法中，所述步骤④中深度神经网络模型的训练方法包括以下步骤：(4.1)以不同受试者作为训练集，对受试者进行动态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组、低跌倒风险组和测试结果不明确组；(4.2)对测试结果不明确组的受试者进行静态平衡能力测试，通过测试结果将受试者划分为高跌倒风险组和低跌倒风险组；(4.3)以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；(4.4)以步骤(4.1)和(4.2)中的测试结果为依据，将步骤(4.3)中得到的压力变化曲线输入深度神经网络模型中，采用监督模式对深度神经网络模型进行训练，随机初始化模型权值，学习率选取10-3，以最小化交叉熵损失函数为目标，并选用Adam优化算法进行权值的优化，得到最优预测模型。前述的种用于预测老年人跌倒风险的方法中，所述步骤③中Footscan足底压力平板测试系统在检测时，对受试者的单足单变量、单足多变量和多足多变量进行检测；其中单足单变量为单只脚在某一足底压力区域的压力变化数据，单足多变量为单只脚在多个足底压力区域的压力变化数据，多足多变量为双脚在多个足底压力区域的压力变化数据。与现有技术相比，本专利技术具有以下优点：(1)本专利技术通过由卷积神经网络和循环神经网络结合而成的深度神经网络模型，可以通过多卷积核分别用于捕捉数据不同层面的局部空间特征，并通过权值共享机制减少模型训练参数的个数，提高运行效率，而循环神经网络善于处理时间序列中的长时依赖和非线性动态变化；从而使深度神经网络模型能够即考虑到足底压力区域压力分布的空间特性，又考虑到压力分布随时间变化的动态特性，使其能够从原始数据中主动学习到具有识别力的特征，达到更加精准的预测效果；(2)在深度神经网络模型的基础上，本专利技术通过对不同足底压力区域的压力数据和与地面的接触时间进行检测，使本专利技术经足底压力测试后能够得到丰富、完善的数据变量，而将该数据输入深度神经网络模型，则能够使深度神经网络模型从较为完整的原始数据中进行特征提取和筛选，从而得到最具有代表性的特征集进行预测，相比人工筛选特征的方式有效提高对特征的提取精度并减少单一特征因高变异、非线性的特性造成的预测结果偏差，从而本专利技术的特征指标多样性和数据测量精度；(3)本专利技术在对足底压力进行检测时，通过对足底压力区域进行重新划分，并将压力接触时间区分为多个支撑相，从而能够对足底压力测试的检测数据进行分类，将足底压力和惯性传感器检测到的繁复的数据变量进行简化，在保证预测准确度的同时减少深度神经网络模型所本文档来自技高网...

【技术保护点】
1.一种用于预测老年人跌倒风险的方法，其特征在于，包括以下步骤：/n①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；/n②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；/n③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；/n④利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；/n⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值。/n

【技术特征摘要】
1.一种用于预测老年人跌倒风险的方法，其特征在于，包括以下步骤：
①将足底压力区域划分为大踇趾区、第二至第五脚趾区、脚前掌区、足中部区和脚后跟区；
②将支撑相分为初始接触段、初始跖骨触地段、初始前足扁平段、足跟离地段和最后接触段；
③以足底压力区域和支撑相为依据，利用Footscan足底压力平板测试系统对受试者进行足底压力测试，得到不同足底压力区域在各支撑相时的压力变化曲线；
④利用卷积神经网络和循环神经网络构建深度神经网络模型，并对该预测模型进行训练，选取最优预测模型为足压预测模型；
⑤将步骤③中得到的压力变化曲线输入足压预测模型，得到预测值。


2.根据权利要求1所述的一种用于预测老年人跌倒风险的方法，其特征在于，所述步骤①中足底压力区域的具体划分方法包括以下步骤：
(1.1)依据Footscan足底压力平板测试系统将足底分为10个子区域，具体为：足后跟外侧区，足后跟内侧区，足中部区，第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区，第一跖骨区，第二至第五脚趾区和大踇趾区；
(1.2)将足后跟外侧区和足后跟内侧区合并后作为脚后跟区，将第五跖骨区，第四跖骨区，第三跖骨区，第二跖骨区和第一跖骨区合并后作为脚前掌区；足中部区、第二至第五脚趾区和大踇趾区保持不变。


3.根据权利要求1所述的一种用于预测老年人跌倒风险的方法，其特征在于，所述步骤④中深度神经网络模型的计算公式如下：
ft＝σ(Wxf*xt+Whf*ht-1+bf)
it＝σ(Wxi*xt+Whi*ht-1+bi)






ot＝σ(Wxo*xt+Who*ht-1+bo)
ht＝ot°tanh(ct)
其中it、ft和ot表示输入门、遗忘门和输出门，xt为当前时刻的输入，ht-1为前一时刻隐藏层的输出，ct为单元状态，*代表卷积运算，°代表Hadamard乘积。

【专利技术属性】
技术研发人员：马英楠，高星，王立，赵鹏霞，李少祥，
申请(专利权)人：北京城市系统工程研究中心，北京康安迪安全科技有限公司，
类型：发明
国别省市：北京;11