基于混合神经网络模型并利用足底压力传感器数据，提升老年人的跌倒风险评估能力

《Biomedical Signal Processing and Control》：Enhancing fall risk assessment in the elderly based on a hybrid neural network model utilizing plantar pressure sensor data

本研究提出一种结合行走神经元模型和多层感知机的混合神经网络模型，利用足底压力传感器数据评估老年人跌倒风险。通过引入新型步态生物特征参数（如质心位移变化）和互信息特征选择方法，模型在准确率和召回率上显著优于传统评估方法，为便携式、多特征跌倒风险评估提供了新工具。

　　

郝莉|马军|陈一鸣|任勋环

白俄罗斯信息学与无线电电子大学，白俄罗斯

摘要

老年人跌倒是一个重要的公共卫生问题，对他们的独立性和生活质量构成重大风险。鉴于全球人口老龄化，开发有效的跌倒风险评估工具是研究的重点。在这种情况下，足底压力传感器成为关键设备。它们提供了关于步态和平衡的宝贵信息，而这些是跌倒风险的关键指标。本研究旨在评估这些传感器在混合神经网络模型中的作用，用于跌倒风险评估。利用48名老年人的数据（这些数据反映了他们的平衡能力），我们开发了一个模型，该模型结合了来自传感器数据的特征提取和一种新的数据融合方法，该方法结合了行走神经元模型（WNM）和多层感知器（MLP）。我们的结果表明，这种混合模型在将个体分类为高风险和低风险跌倒类别方面，显著优于传统的评估方法。引入新的步态生物特征参数和优化的特征选择有助于提高准确性和精确度。这些发现强调了足底压力传感器在改进预测模型中的实用性，为预防性医疗保健提供了重要的理论和实践价值。

引言

跌倒对老年人的福祉有显著影响，通常是由内在和外在因素共同作用的结果，其中身体虚弱是一个重要的因素[1]。Cheng和Chang（2017）报告称，在102,130名65岁以上的样本中，体弱的个体跌倒的风险比健康个体高2.50倍（95%置信区间：1.58–3.96）[1]。跌倒可能导致从轻微擦伤到严重骨折的各种伤害，给医疗系统带来负担。优先考虑促进健康老龄化的公共卫生策略至关重要[2]。此类策略可能包括早期诊断和识别跌倒风险，以制定预防跌倒的干预措施[3,4]。

步态是一项复杂的活动，包含每个阶段的独特模式。理解步态参数模式对于准确检测步态至关重要[5]。平衡障碍会破坏正常的行走模式，增加受伤风险，在老年人中很常见，经常导致跌倒[6]。识别与平衡控制相关的步态参数有助于理解老年人的平衡功能障碍。

量化步态对于准确评估至关重要，需要使用方法来测量步态参数并估计异常情况。有效的步态和平衡生物标志物可以简化临床试验，支持临床监测，并改善行走模式，从而降低跌倒风险[7]。传统的步态评估通常依赖于主观解释，这些解释可能有所不同[8]。已经开发了先进的步态监测和分析技术，如光学运动捕捉、基于加速度计的技术和基于视频的技术[[9], [10], [11]]。然而，这些方法存在局限性，因此出现了更简单的足底压力检测系统[12]。在基于足底压力的步态研究中，分析传感器压力变化模式有助于区分平衡状态和失衡状态[13]。各种方法，包括前后运动分析[14]、内外侧运动分析[15]以及全面的步态变异性测量[16,17]，有助于理解步态和平衡。然而，这些方法往往只关注特定参数，这突显了需要一个新模型来更广泛和有效地分析这些参数以进行平衡评估。然而，现有的跌倒风险评估方法通常依赖于主观的临床测试或仅关注有限的步态参数，缺乏对步态动态和健康因素的全面整合。很少有研究将足底压力传感器数据与先进的混合神经网络方法结合使用，以提高预测准确性，因此在客观、多特征和便携式评估工具方面存在空白。

本研究做出了以下关键贡献：（1）我们引入了一种新的混合神经网络模型（HNNM），该模型结合了行走神经元模型（WNM）和多层感知器（MLP），利用步态和足底压力传感器数据进行跌倒风险评估。（2）该模型采用了特征选择方法，特别是使用互信息得分，来识别最相关的步态和身体健康特征，从而提高了预测准确性和效率。（3）通过引入新的步态生物特征参数（如压力中心（CoP）和质心（CoM）的位移变化），我们的模型显著提高了跌倒风险预测能力。（4）全面的实验和性能分析表明，该模型具有高精度和召回率，证明了其在准确识别跌倒风险方面的有效性。

部分摘录

行走模型

行走模型对于理解人类步态的复杂动态以及行走过程中各种身体系统之间的相互作用至关重要。步态是一项基本的人类活动，涉及复杂的运动技能，很大程度上取决于身体保持平衡的能力。行走时的稳定性不仅对移动性至关重要，而且对于预防跌倒也很重要，因为跌倒可能导致严重伤害，尤其是在老年人或某些其他脆弱人群中

用于评估跌倒风险的混合神经网络模型

我们的目标是设计一种混合神经网络算法，仅使用足底压力传感器就能准确评估跌倒风险。我们为跌倒风险评估设计的算法如图1所示，包括两个主要部分：（i）基于足底压力传感器数据估计和选择与身体平衡参数相关的特征；（ii）设计一个混合神经网络模型（HNNM）来整合这些特征进行分类。算法的输入是原始数据

结果

变量包括人口统计数据、跌倒史、医疗状况、运动习惯以及基线临床评分（Berg平衡量表[BBS]和计时起立行走测试[TUGT]）（表6）。

讨论

所提出的HNNM在所有评估指标上（图13、图14、图15、图16）均优于单独的模型（如行走神经元模型（WNM）和多层感知器（MLP）以及传统的临床评估方法。具体来说，带有特征选择的HNNM（HNNM + FS）获得了最高的F1分数（98.22%）、准确率（98.33%）和AUC（0.97），表明其在敏感性和特异性之间取得了良好的平衡。与单独的WNM相比，混合模型

结论

本研究成功设计并评估了一种混合神经网络模型（HNNM），该模型利用足底压力传感器数据来评估老年人的跌倒风险，显示出比传统方法在风险分类准确性方面的显著改进。整合健康信息、步态参数和先进的行走模型参数（如压力中心的变化以及质心和压力之间的关系）对于提高模型的效果至关重要

CRediT作者贡献声明

郝莉：撰写——初稿、可视化、验证、监督、软件、项目管理、方法论、研究。马军：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件、正式分析、数据管理。陈一鸣：撰写——初稿、可视化、资源管理、正式分析、数据管理、概念化。任勋环：撰写——审稿与编辑、撰写——初稿、可视化、方法论、资金支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。本研究未从公共、商业或非营利部门的资助机构获得任何特定资助。