编辑推荐：
为探究老年人 5 次坐立试验（5CRT）运动模式，研究人员用动态时间规整（DTW）和 K 均值聚类分析，发现两种模式，有重要意义。
# 用新技术解锁老年人坐立试验的隐藏秘密
你知道吗？随着年龄增长，老年人的身体机能会逐渐下降，而如何准确评估他们的身体功能就变得至关重要。在医学和研究领域，5 次坐立试验（Five Time Chair Rise Test，5CRT）是常用的评估手段，它主要用来评估老年人的功能能力和下肢力量，帮助我们发现早期与年龄相关的身体变化。传统的 5CRT 测试，就是让老人坐在无扶手椅子上，双手交叉抱胸，听到指令后尽可能快地站起来再坐下，重复 5 次，用秒表记录时间，时间越短代表身体功能越好。
但这种传统方法存在一些问题。5CRT 看似简单，实际坐立过程可不轻松，它需要身体各部位紧密配合，克服体重完成复杂动作。而且每个人每次重复动作时都会有自然的变异性，对于老年人来说，这种变异性的变化可能暗示着身体稳定控制方面的问题。可传统的秒表计时法，只是简单地记录总时间，就像用一把大刷子随意涂抹，把很多重要的细节都掩盖了，比如每次坐立循环的时长、不同阶段的转换特点等，这些被忽略的细节其实能反映出老年人真实的身体能力。
为了更深入地了解老年人 5CRT 中的运动模式，挖掘那些被传统方法忽视的信息，德国卡尔?冯?奥西茨基大学（Carl von Ossietzky Universit?t Oldenburg）的 Ole Meyer、Rebecca Diekmann 等研究人员开展了一项研究，相关成果发表在《Scientific Reports》上。
研究人员在此次研究中，主要运用了动态时间规整（Dynamic Time Warping，DTW）和 K 均值聚类这两种关键技术。DTW 是一种强大的时间序列分析技术，它能有效测量不同时间长度数据序列之间的相似性，通过寻找最优的 “扭曲路径”，让不同长度的时间序列进行合理比较，避免了传统欧氏距离估计在处理时间序列时可能出现的问题，比如插值导致的信号形状失真。K 均值聚类则是一种无监督机器学习算法，能把具有相似特征的数据点归到有意义的簇中。这两种技术强强联合，帮助研究人员从全新的角度分析 5CRT 数据。
在研究过程中，研究人员从体育俱乐部、老年活动场所、医疗机构等地方招募了 251 名 70 岁以上的健康社区居民。经过一系列严格筛选，排除中途退出、数据有误以及未完成规定动作的参与者后，最终 172 名老年人的数据纳入分析。这些参与者要完成一系列测试，其中 5CRT 是重点研究对象。测试时，他们坐在可调节高度的无扶手椅子上，按要求完成 5 次坐立动作，同时，研究人员用测力板（以 200Hz 的采样率测量地面反作用力，包括Fx,GRF、Fy,GRF和Fz,GRF三个方向）和深度相机记录数据。
研究结果
- 聚类分析结果：研究人员利用基于 DTW 重心平均（DBA）算法的 K 均值聚类，将 860 次坐立试验数据分为两个簇（Cluster 1 和 Cluster 2 ）。轮廓分析和戴维斯 - 布尔丁指数表明，分为两个簇是最佳选择，但两个簇之间存在一定重叠。进一步分析发现，Cluster 1 有 72 人，Cluster 2 有 100 人，且男性和女性在两个簇中的分布存在差异。同时，两个簇在 5CRT 持续时间上有显著差异（p<0.01），Cluster 1 平均时长为9.84±1.41秒，Cluster 2 为12.59±2.47秒，而且 Cluster 1 中没有 5CRT 持续时间大于 13.69 秒的参与者，而 Cluster 2 涵盖了所有得分类别123。
- 力的分析结果：对 5CRT 不同阶段的力进行分析发现，在座椅卸载、座椅离开和站立阶段，两个簇的垂直力差异不显著（p>0.01），但在稳定阶段，差异显著（p<0.01）。这表明两个簇的差异主要体现在稳定阶段的力和 5CRT 持续时间上。具体来说，Cluster 1 的 5CRT 持续时间更短，稳定阶段的垂直力更低，说明该簇参与者身体能力更强，能更高效地完成姿势转换并保持稳定；而 Cluster 2 参与者的 5CRT 持续时间更长，稳定阶段垂直力更高，显示出他们在 5CRT 这个阶段的稳定性控制存在挑战4。
- 模型预测能力结果：研究人员还探究了基于第一次坐立试验训练的模型对参与者整个 5CRT 的预测能力。结果发现，模型能正确分配 78% 参与者的坐立试验数据，其中 Cluster 2 的预测准确率更高（81%），Cluster 1 为 75%。这意味着 Cluster 1 的运动模式在 5CRT 过程中更难保持5。
研究结论与意义
通过这项研究，研究人员成功运用 DTW 和 K 均值聚类分析，揭示了老年人 5CRT 中存在的两种不同运动模式，这是传统基于秒表计时的评分方法无法发现的。这一发现为深入理解老年人的坐立过程提供了新视角，仅通过分析坐立试验过程中的力，或许就能更好地预测参与者在稳定性方面面临的挑战。虽然这种方法需要使用测力板和额外的数据分析，增加了评估的复杂性，但借助机器学习模型，有望减少为获取老年人稳定性和健康重要信息所需的测试数量，未来甚至能帮助未经专业训练的人员进行详细的 5CRT 评估。
不过，该研究也存在一些局限性。比如椅子高度和参与者腿的角度可能会影响坐立试验结果，秒表计时存在误差，而且研究中大部分参与者是健康老年人，可能导致不健康参与者的运动模式在研究中代表性不足。未来研究可以从优化模型、深入分析不同阶段运动模式、纳入更多数据渠道等方面展开，进一步挖掘老年人 5CRT 中的隐藏信息，为老年人健康评估和干预提供更有力的支持。
