KDDA-Balance：基于知识驱动的领域适应技术，结合步态相关信息用于老年人平衡能力评估

《Knowledge-Based Systems》：KDDA-Balance: Knowledge-Driven Domain Adaptation with Correlated Gait Information for Elderly Balance Assessment

老年人平衡功能评估中，基于步态知识的多源对抗域适应模型KDDA-Balance有效解决了年龄域数据不平衡问题，通过计算中心压力（COP）和地面反作用力（GRF）等关键步态特征，结合多源域对抗模块和双分类器损失函数，显著提升模型在老年群体中的泛化性能。实验表明，模型在FRA数据集上准确率达90.07%，较基线提升7.83%；在GaitRec数据集上达83.02%，平均提升5.46%。

　　平衡功能的下降是老年人跌倒的主要诱因之一。评估平衡功能不仅有助于早期发现潜在问题，还能有效降低跌倒及相关伤害的风险。然而，当前面临的一个重大挑战是缺乏足够的老年数据，这导致了模型评估性能不佳，限制了其在日常生活中的应用。为了解决这一问题，我们提出了一种基于知识驱动的半监督域适应方法KDDA，该方法通过利用相关的步态信息，提升跨年龄领域的平衡评估能力。

KDDA-Balance模型采用步态知识计算模块，对多维特征进行整合，从而丰富特征空间。此外，该模型引入了双分类器的域对抗模块，以减少目标域与源域之间的特征差异。同时，一种替代损失函数被设计用于融合双分类器模块与多源域适应模块，进一步提升目标域中的评估性能。在Falling Risk Assessment（FRA）数据集和Impaired Gait Ground Reaction Force（GaitRec）数据集上的大量实验表明，KDDA-Balance方法在跨域评估中表现优异。在FRA数据集上，KDDA-Balance的评估准确率达到90.07%，相较于现有方法平均提升了7.83%。在GaitRec数据集上，模型的评估准确率为83.02%，平均准确率提升为5.46%。这些结果验证了KDDA-Balance在跨域评估中的有效性，为老年人跌倒风险的评估提供了一种新颖的方法。

步态监测技术在评估老年人平衡功能方面具有重要作用。利用足底压力监测设备是一种有效的方法，它能够通过多种数据模态反映人体的平衡状态。例如，惯性传感器在健康监测中的应用已经显示出在跌倒风险评估方面的卓越准确性。然而，在日常活动中实现可靠的性能，通常需要在多个身体部位部署惯性传感器，这在实际操作中带来了一定的挑战。相比之下，基于视频监控的行为监测方法虽然能够准确识别人类活动，但只能在跌倒发生后进行识别，无法在跌倒前评估个体的平衡状态。因此，结合足底压力传感器的监测技术不仅提供了便利性和实用性，还能获取有价值的步态信息，从而更全面地评估平衡功能。

平衡功能评估任务依赖于足底压力数据，而这些数据的充足性是训练有效学习模型的关键。然而，在现实场景中，收集大量老年人的跌倒数据进行训练是非常困难的。因此，目前可获得的数据集在年龄分布上存在不平衡，尤其是老年人的数据样本相对较少。这种不平衡直接影响了模型在训练过程中对老年人数据的分类准确性，从而限制了平衡功能评估模型的实际应用效果。这种局限性使得现有模型在老年人护理中的普遍性和临床相关性受到挑战。

为了克服这些挑战，我们借鉴了域适应方法，探索了不同年龄群体步态差异中的不变特征。域适应技术通过利用源域数据来提升目标域模型的性能，尤其在处理不平衡数据时表现出显著的成功。然而，平衡功能评估中的步态数据与其他模态的数据存在显著差异，带来了以下挑战：首先，不同人群的步态特征存在较大差异；其次，步态特征表现出强烈的随机性，许多有效的特征仍然隐藏，难以被揭示。为此，我们提出了一种基于知识驱动的策略，通过利用现有的知识、经验和规则来指导决策和问题解决。该方法提取不同年龄群体之间的共通步态特征，从而显著提升模型在跨年龄领域的迁移性能。

具体而言，我们设计了一个步态知识信息计算模块，该模块基于跌倒风险评估中的关键步态特征，从老年人的日常活动中计算步态特征，实现了步态知识特征的融合，并整合了这些特征之间的相关性信息。这些融合后的特征作为输入，被送入多源域对抗模块，该模块通过学习源域中的任务特定特征，进一步减少源域和目标域之间的分布距离。最终，我们引入了一种基于双分类器决策差异的损失函数，该损失函数放大了双分类器在目标域中的预测差异，促使模型更有效地利用源域数据学习源域和目标域之间的共享特征。这一过程增强了模型对未知数据的适应能力，显著提升了目标域中的分类准确率，进一步提高了整体模型的鲁棒性。

本研究的主要贡献包括以下几个方面：首先，提出了一种新型的老年人平衡功能评估框架，该框架包含步态知识计算模块和域适应模块，能够有效整合多源域不变信息。其次，设计了一种基于步态知识的计算方法，通过分析步态随时间序列的变化，实现步态知识特征的提取与对齐。第三，构建了一个基于双分类器的多源域适应模块，该模块通过计算源域和目标域之间的梯度差异损失，有效对齐不同域的分布。第四，通过在FRA数据集和GaitRec数据集上的实验，验证了所提方法在提升老年人平衡功能评估准确率方面的显著效果。

在技术层面，本研究不仅提升了跨年龄平衡能力评估的准确性和鲁棒性，还为老年人健康监测和跌倒风险预测提供了实用且可行的技术基础。通过结合知识驱动和域适应方法，KDDA-Balance模型能够有效克服数据不足的问题，使模型在不同年龄群体之间实现良好的迁移性能。这一成果对于推动老年人健康监测技术的发展具有重要意义。

为了更全面地了解老年人平衡功能评估的现状，我们需要回顾相关的研究进展。近年来，平衡功能评估在人工智能和临床医学领域受到了广泛关注。随着可穿戴传感器的微型化，用于平衡功能评估的传感器数量和采集的数据类型不断增加，尤其是在基于惯性测量单元（IMU）和足底压力传感器的评估方法中。这些技术的进步使得平衡功能的监测更加精确和便捷，但同时也带来了新的挑战，如数据的不平衡性、特征的随机性以及模型的泛化能力。

在实际应用中，老年人的平衡功能评估通常依赖于足底压力数据，因为这些数据能够提供关于步态稳定性和身体重心变化的直接信息。然而，由于老年人数据的稀缺性，现有的评估模型在训练和测试阶段都面临困难。为了解决这一问题，我们提出了KDDA-Balance方法，该方法通过引入知识驱动的策略，使模型能够从年轻个体的步态特征中学习，并将这些知识迁移到老年人的评估中。这种方法不仅提高了模型的评估性能，还增强了其在不同人群中的适应能力。

KDDA-Balance方法的核心在于其对步态知识的计算和利用。我们设计了一个步态知识计算模块，该模块能够从老年人的日常活动中提取关键步态特征，并将其与年轻个体的步态特征进行对齐。这种对齐过程有助于模型更好地理解老年人步态的变化趋势，并识别与跌倒风险相关的特征。此外，我们还引入了双分类器的域对抗模块，该模块通过计算源域和目标域之间的梯度差异损失，进一步减少不同域之间的分布差异。这一过程不仅提高了模型的泛化能力，还增强了其在实际应用中的稳定性。

在实验设计方面，我们对FRA数据集和GaitRec数据集进行了详细的分析和测试。FRA数据集主要用于评估跌倒风险，而GaitRec数据集则专注于步态异常的识别。通过对这些数据集的实验，我们验证了KDDA-Balance方法在提升评估准确率方面的有效性。在FRA数据集上，KDDA-Balance的评估准确率达到90.07%，比现有方法平均提高了7.83%。而在GaitRec数据集上，模型的评估准确率为83.02%，平均准确率提升为5.46%。这些结果表明，KDDA-Balance方法在跨域评估中具有显著的优势，能够有效应对老年人数据不足的问题。

此外，我们还对KDDA-Balance方法与其他先进迁移学习模型进行了全面比较。这些模型主要包括基于对抗训练的方法、基于特征分布对齐的方法以及多任务学习方法。对抗训练方法，如CDAN、CDAN+E和DDC，利用对抗网络学习一种映射，使得源域和目标域的特征分布更加接近。然而，这些方法在处理步态数据时可能面临一定的挑战，因为步态数据的随机性和多样性较高。相比之下，基于特征分布对齐的方法能够更有效地对齐不同域的特征分布，从而提升模型的评估性能。多任务学习方法则通过同时学习多个相关任务，提高模型的泛化能力。然而，这些方法在实际应用中可能需要更多的计算资源和数据支持。

KDDA-Balance方法的优势在于其结合了知识驱动和域适应的双重策略，使模型能够在不同年龄群体之间实现有效的迁移。通过引入步态知识计算模块，模型能够更准确地提取和对齐步态特征，从而提高评估的准确性。同时，双分类器的域对抗模块能够进一步减少源域和目标域之间的分布差异，使模型在目标域中表现更优。这种结合不仅提升了模型的评估性能，还增强了其在实际应用中的稳定性和可靠性。

在实际应用中，KDDA-Balance方法能够为老年人健康监测提供有力的技术支持。通过利用年轻个体的步态特征，模型能够在缺乏老年人数据的情况下，实现对老年人平衡功能的有效评估。这种方法不仅降低了数据收集的难度，还提高了模型的泛化能力和适应性。在临床医学领域，这种跨域评估方法能够帮助医生更准确地判断老年人的跌倒风险，从而制定更加科学和有效的预防措施。

本研究的实验结果表明，KDDA-Balance方法在提升老年人平衡功能评估准确率方面具有显著优势。在FRA数据集上，模型的评估准确率相较于现有方法平均提高了7.83%；在GaitRec数据集上，模型的评估准确率平均提高了5.46%。这些结果不仅验证了KDDA-Balance方法的有效性，还为未来的研究提供了新的思路和方向。通过进一步优化模型的结构和算法，我们有望在更多数据集和实际应用场景中验证该方法的优越性。

此外，本研究还对KDDA-Balance方法在实际应用中的可行性进行了探讨。在老年人健康监测和跌倒风险预测中，模型的适应能力和泛化能力至关重要。KDDA-Balance方法通过引入知识驱动的策略，使模型能够在不同年龄群体之间实现良好的迁移性能。这种能力对于实际应用具有重要意义，因为它使得模型能够在缺乏老年人数据的情况下，仍然保持较高的评估准确率。在实际部署中，KDDA-Balance方法能够有效应对数据不足的问题，为老年人健康监测提供更加可靠和稳定的解决方案。

综上所述，KDDA-Balance方法在老年人平衡功能评估中展现出显著的优势。通过结合知识驱动和域适应策略，该方法能够有效克服数据不足的挑战，提升模型的评估性能和适应能力。在FRA和GaitRec数据集上的实验结果验证了其有效性，为老年人健康监测和跌倒风险预测提供了新的技术支持。未来的研究可以进一步优化该方法，探索其在更多数据集和实际应用场景中的表现，从而推动老年人健康监测技术的发展。