TWI809686B - 跌倒風險評估方法及裝置 - Google Patents

Abstract

一種跌倒風險評估方法及裝置。此方法包括下列步驟：擷取感測器偵測受測者的動作變化而生成的步態訊號；對步態訊號進行特徵擷取分析，以獲得步態訊號的多個第一特徵值；以及根據歷史分析資料對第一特徵值進行特徵選取分析以獲得多個第二特徵值；利用歷史分析資料對多個第二特徵值進行分類分析，以獲得受測者的跌倒風險評估結果。

Description

跌倒風險評估方法及裝置

本發明是有關於一種受測者的步態狀況偵測方法及裝置，且特別是有關於一種跌倒風險評估方法及裝置。

目前常見的跌倒風險評估方法是透過復健師或專業醫療人員藉由眼睛觀察受測者維持站姿、步行、以及變換姿態的動作，來進行跌倒風險評估的判斷。復健師通常會根據現有的量測表格與步驟來進行跌倒風險的評估，例如：伯格氏平衡量表，關於現有量測表格的評分以及最終跌倒風險的評估主要是依賴復健師的個人經驗以及其主觀判斷來評估。

然而，上述方法需依賴復健師逐一的觀察與判斷，才能完成跌倒風險的評估。並且，由於跌倒風險評估是主觀的判斷，且通常必須受測者前往診所或醫院進行檢測。因此，現有的方法不僅增加醫療人力負擔導致醫療人力的不足、也降低受測者定期前往診所檢測的意願，從而造成跌倒風險評估檢測具有高不便利性。

本發明提供一種跌倒風險評估方法及裝置，通過專業人數經驗的數據，並分析動作步態變化的步態訊號，以獲得跌倒風險評估結果。

本發明提供一種跌倒風險評估方法，適用於由具處理器的電子裝置利用配置於受測者身上的感測器偵測動作步態變化。此方法包括下列步驟：擷取感測器偵測動作變化所產生位移與角度偏移而生成的步態訊號；對步態訊號進行特徵擷取分析，以獲得步態訊號的多個第一特徵值；根據歷史分析資料對第一特徵值進行特徵選取分析，以選取出多個第二特徵值；根據歷史分析資料以及歷史步態訊號對第二特徵值進行分類分析，以獲得步態訊號的跌倒風險評估結果。

本發明提供一種跌到風險評估裝置，其包括資料擷取裝置、儲存媒體及處理器。資料擷取裝置用以連接配置於受測者身上的感測器，此感測器偵測受測者的質量中心偏移量與偏移角度以生成步態訊號。儲存媒體用以儲存使用機器學習預先建立的分類模型、多個學習參數，其中分類模型經使用多個步態訊號的特徵值及對應的跌倒風險評估資料，這跌倒風險評估資料為根據受測者所做出的評估，例如跌倒風險評估資料例如是伯格量表、簡易伯格量表、3公尺起走測試、失智風險等的評估結果。處理器耦接資料擷取裝置及儲存媒體，經配置以通過資料擷取裝置擷取感測器偵 測受測者的步態狀況而生成的步態訊號，對步態訊號進行統計、頻域、及時域分析，以獲得步態訊號的多個第一特徵值，以及利用歷史分析對第一特徵值進行特徵選取分析以篩選出多個第二特徵值，並將第二特徵值輸入至分類模型，以進行受測者的跌倒風險評估。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

100:跌倒風險評估裝置

110:資料擷取裝置

120:儲存媒體

130:處理器

140:收發器

200:感測器

S310~S360、S410~S440:步驟

圖1是根據本發明一實施例所繪示的跌倒風險評估裝置的方塊圖。

圖2是根據本發明一實施例所繪示的跌倒風險評估方法的第一流程圖。

圖3是根據本發明一實施例所繪示的跌倒風險評估方法的第二流程圖。

本發明實施例提出一種跌倒風險評估方法及裝置，其通過在受測者身上裝設感測器以偵測受測者於站立、行走、以及姿態變換之時的步態訊號，並對步態訊號進行特徵值擷取與特徵值選取以取得步態訊號的多個特徵值，然後將這些特徵值輸入使用機器學習預先建立並訓練的分類模型，從而估測出受測者的跌倒風 險評估結果。藉此，不需要醫護人員親自且逐一地觀察受測者的步態，本發明實施例可快速地且精確地評估出受測者的跌倒風險結果。

詳細而言，圖1是根據本發明一實施例所繪示的跌倒風險評估裝置的方塊圖。請參考圖1，本發明實施例的跌倒風險評估方法裝置100例如是具有運算能力的檔案伺服器、資料庫伺服器、應用程式伺服器、工作站或個人電腦等計算機裝置，或是手機、平板電腦等行動裝置，其中包括資料擷取裝置110、儲存媒體120及處理器130等元件，這些元件的功能分述如下：資料擷取裝置110例如是可與配置在受測者身上的感測器200連接的任意的有線或無線的介面裝置，用以擷取感測器200偵測受測者移動時所生成的步態訊號。對於有線方式而言，資料擷取裝置110可以是通用序列匯流排(universal serial bus，USB)、RS232、通用非同步接收器/傳送器(universal asynchronous receiver/transmitter，UART)、內部整合電路(I2C)、序列周邊介面(serial peripheral interface，SPI)、顯示埠(display port)或雷電埠(thunderbolt)等介面，但不限於此。對於無線方式而言，資料擷取裝置110可以是支援無線保真(wireless fidelity，Wi-Fi)、RFID、藍芽、紅外線、近場通訊(near-field communication，NFC)或裝置對裝置(device-to-device，D2D)等通訊協定的裝置，亦不限於此。

於一實施例中，感測器200例如是配置於受測者身上的 加速度計、陀螺儀、慣性感測器、或上述任兩者以上的組合。經過數次實驗與統計，本發明的感測器200設置於受測者的脊椎的第三節、第四節、第五節、或第三至第五節之間的位置之時，本發明之跌倒風險評估方法與裝置100具有較準確的跌倒風險評估結果。

儲存媒體120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)、硬碟或類似元件或上述元件的組合，而用以儲存可由處理器130執行的電腦程式。在一些實施例中，儲存媒體120還儲存由處理器130使用機器學習預先建立並訓練的分類模型的學習參數。所述機器學習包括邏輯斯迴歸(Logistic Regression)、支援向量機(Support Vector Machine,SVM)、堆疊自編碼器(Stacked Autoencoder,SAE)、卷積神經網絡(Convolutional Neural Network,CNN)或深度神經網路(Deep Neural Networks,DNNs)，但不限於此。

處理器130例如是中央處理單元(Central Processing Unit，CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、微控制器(Microcontroller)、數位訊號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)、可程式化邏輯裝置(Programmable Logic Device，PLD)或其他類似裝置或這些裝置的組合，本發明不在此限制。在本實施例中，處理器130可從儲存媒體120載入電腦程式，以執行本發明實施例的基於 強化學習的跌倒風險評估方法。

在一實施例中，本發明實施例的跌倒風險評估方法裝置100更包括收發器140，收發器140用以通訊連接感測器200，且收發器140以無線或有線的方式傳送及接收訊號。收發器140還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。

圖2是根據本發明一實施例所繪示的跌倒風險評估方法的第一流程圖。圖3是根據本發明一實施例所繪示的跌倒風險評估方法的第二流程圖。請同時參照圖1及圖3，本實施例的方法適用於上述的跌倒風險評估裝置100，以下即搭配跌倒風險評估裝置100的各項元件說明本實施例的跌倒風險評估方法的詳細步驟。

在步驟S310中，由跌倒風險評估裝置100的資料擷取裝置110利用感測器200以偵測受測者於動作變化之時所產生的位移。接著，感測器200根據受測者的位移生成對應的步態訊號，其中步態訊號例如是受測者移動之時，感測器200根據傾斜角度以及質量中心偏移產生質量中心偏移訊號、傾斜訊號、加速度訊號以及角加速度訊號，或上述任兩者以上的組合。換句話說，步態訊號例如是感測器200在受測者移動時所測得的時域上的標準化能量，進而擷取到對應受測者每一動作以及相對於上一動作的多個步態訊號。

在步驟S320中，處理器130對步態訊號進行特徵擷取(feature extraction)分析，以獲得步態訊號的多個第一特徵值。更詳 細地說明，步驟S320更可細分成步驟S410與步驟S420。在步驟S410中，處理器130對步態訊號進行資料前處理，以獲得步態訊號的軸向數據。具體而言，軸向數據包括x軸加速度、y軸加速度以及z軸加速度。在一實施例中，x軸加速度為受測者沿著上下方向移動所產生的加速度，x軸加速度又稱V軸(Vertical Axis)加速度。y軸加速度為受測者沿著左右水平方向移動所產生加速度，y軸加速度又稱內外側(Mediolateral,ML)軸加速度。並且，z軸加速度為受測者沿著前後方向移動所產生的加速度，z軸加速度又稱前後(Anterior-posterior,AP)軸加速度。

在步驟S420中，處理器130對各軸向數據進行特徵擷取分析以獲得多個第一特徵值。具體來說，第一特徵值包括總步態特徵值以及各分段特徵值，總步態特徵值例如為受測者進行一步態檢測(例如，3公尺起走檢測)的步態特徵值，各分段特徵值例如是關於受測者進行直線、轉彎、站立到坐下、坐下到站立的統計特徵值、頻域特徵值、亂度特徵值。在本實施例中，統計特徵值例如是每個取樣時間點(t)的身體質量中心的偏移量以及每個取樣時間點(t)的身體質量中心的平均偏移速度、上述偏移量與偏移速度個別的平均數、標準差、時間與偏移量的斜率等。在本發明中，特徵值的擷取分析包括受測者整段的步態訊號以及受測者分段(例如，直線移動、轉彎、站立到坐下以及坐著到站立)的步態訊號。

接著，在本實施例中，頻域特徵值例如是每個取樣時間點的身體質量中心的偏移量與平均偏移速度，進行時間域(Time Domain)轉頻率域(Frequency Domain)的轉換，以獲得多個頻域特徵值。在一實施例中，上述時域轉頻域的轉換可以為傅立葉轉換且/或小波轉換。亂度又稱熵(Entropy)，係用以描述步態訊號的混亂程度。亂度特徵值例如是x軸加速度、y軸加速度、以及z軸加速度的軌跡亂度特徵值；舉例來說，亂度特徵值越大即代表訊號波形越混亂，而亂度特徵值越小代表訊號波形越穩定。

在步驟S330中，根據歷史分析資料對第一特徵值進行特徵選取分析(feature selection)，以選取出多個第二特徵值。歷史分析資料包括：復健師或醫療人員的對其他多個受測者的跌倒風險的診斷/判斷資料、文獻中對於跌倒風險的診斷資料與判斷方法、以及每一受測者的步態訊號以及從步態訊號所擷取出的特徵值。具體來說，處理器130根據歷史數據中步態訊號的特徵值以及對應的跌倒風險評估結果，篩選出與此次受測者相關的歷史分析資料。接著，根據相關的歷史分析資料得出與跌倒風險結果相關且/或影響較大的特徵值類別，進而從此次受測者的多個第一特徵值中選取出相關的多個第二特徵值。

另一方面，特徵選取分析可以是特徵工程中的過濾法、嵌入法和包裝法，舉例來說，透過過濾法中的卡方檢定可以算出各第一特徵值與各歷史步態訊息的卡方值、p值、自由度、和原始資料的理論值，進而從第一特徵值中篩選出與這次受測者步態狀況相關的第二特徵值。

換句話說，處理器130根據歷史分析資料篩選出與此次 受測者的步態訊號相關的第二特徵值，被選取出的第二特徵值對於此次受測者的跌倒風險評估的影響較大。在一實施例中，處理器130可依據機器學習之特徵工程中的特徵選擇演算法來挑選出相關的多個第二特徵值。特徵選擇演算法例如是迴歸模型學習、隨機森林、卡方檢驗，或決策樹等等，本發明對此不限制。在另一實施例中，處理器130利用分類模型以根據歷史分析資料中的跌倒風險評估結果以及對應的歷史步態訊號，對第一特徵值進行特徵選取分析，以選取出所述第二特徵值。關於分類模型的建立說明如下。

在步驟S340中，處理器130將由感測器200偵測具有跌倒風險受測者的第一動作步態變化所產生的多個第一動作訊號以及不具有跌倒風險受測者的第二動作步態變化所產生的多個第二動作訊號。對第一動作訊號以及第二動作訊號分別進行特徵擷取分析以及特徵選取分析，以獲得第一動作訊號以及所述第二動作訊號的多個第三特徵值；將第三特徵值作為分類模型的輸入，並將對應的跌倒風險評估結果做為分類模型的輸出，用以訓練所述分類模型，並記錄經訓練所述分類模型的多個學習參數。在本實施例中，處理器130可透過邏輯斯迴歸(Logistic Regression)、支援向量機(Support Vector Machine,SVM)、堆疊自編碼器(Stacked Autoencoder,SAE)、卷積神經網絡(Convolutional Neural Network,CNN)或深度神經網路(Deep Neural Networks,DNNs)的機器學習演算法建立分類模型。

在步驟S350中，處理器130根據歷史分析資料以及歷史步態訊號對第二特徵值進行分類分析，以獲得步態訊號的跌倒風險評估結果。具體而言，處理器130依據歷史分析資料中歷史受測者的特徵值產生各歷史受測者的分類因子，並依據各歷史受測者的分類因子將歷史受測者分群成多個受測者群組。如此一來，處理器130可對此次受測者的特徵值進行統計分析來產生此次受測者的分類因子，並藉由比較各歷史病患的分類因子與至少一分類閥值而將此次受測者分類至多個受測者群組其中之一。於本發明的一實施例中，上述的分類因子可包括相關性。也就是說，處理器130可根據各受測者的特徵值計算各受測者的相關性。接著，處理器130可藉由比較各受測者的相關性而將此次受測者分群至多個受測者群組之一。更詳細而言，受測者群組例如為具有跌倒風險的受測者以及不具有跌倒風險的受測者，相關性是變數間相互依賴性的量度。換句話說，處理器130將歷史分析資料及跌倒風險結果作為函數Y=f(X)中的應變數Y，應變數Y例如是復健師使用原版柏格氏平衡量表(Berg Balance Scale,BBS)或短版柏格氏平衡量表(Short-Form Berg Balance Scale,SFBBS)的分數以及三公尺起走(3M-TUG)檢測的分數所得出的跌倒風險評估結果，自變數X則為從步態訊號擷取出的特徵值，進而建立模型f( )，據此透過輸入此次受測者的第二特徵值作為自變數X輸入至分類模型f( )中，以得出應變數Y，應變數Y則是此次受測者的跌倒風險評估結果(例如，有無跌倒風險、伯格氏平衡量表的分數、三公尺起走的總秒數 等)。

在步驟S360中，處理器130將分類模型所獲得的跌倒風險結果輸出至輸出裝置。在另一實施例中，處理器130將分類模型所得出的跌倒風險結果透過收發器140傳送至輸出裝置，且儲存至儲存媒體120之中。輸出裝置例如是螢幕或終端裝置，其中終端裝置例如是受測者或醫療人員的電子裝置、智慧型手機、桌上型電腦、或筆記型電腦等。

在步驟S370中，可分為步驟S430以及步驟S440。在步驟S430中，處理器130對第一特徵值進行特徵值數據分析，以獲得步態訊號的多個步態指標。在步驟S440中，處理器130對步態指標進行改善分析，以獲得步態訊號的改善建議。具體而言，處理器130透過受測者的多個第一特徵值的數值所對應與解釋的姿勢穩定度。舉例來說，多個第一特徵值其中一特徵值為受測者於轉身時的轉身特徵值，而當轉身特徵值與歷史分析資料中不具跌倒風險的特徵值有較大的差異時，則代表此次受測者的重心轉移有問題。這時處理器130則輸出檢查建議，期檢查建議為建議受測者根據帕金森氏症做進一步的進階檢查。在另一例子中，當受測者於坐到站/站到坐時y軸方向的亂度特徵值較低時，則處理器130輸出建議受測者進行下肢肌力訊號的建議。據此，透過本發明的跌倒風險評估方法及裝置，令受測者/使用者僅需配戴跌倒風險評估裝置100的感測器200於腰部且進行步行、站立、坐下且/或轉身的動作，即可快速且精準地得知受測者的跌倒風險評估結果以及預 防跌倒與改善步態的建議(例如，訓練建議、特定檢測建議、預防跌倒建議)。

綜上所述，在本發明實施例的跌倒風險評估方法及裝置100中，通過感測器200以偵測受測者於移動時的質量中心偏移與加速度，並使用歷史分析資料與對應的步態訊號建立可響應各步態訊號特性的分類模型。藉此，每當相似情況的受測者欲進行跌倒風險評估時，即可通過將步態訊號的特徵值輸入分類模型，從而計算出對應的分類結果(即，有無跌倒風險的評估結果)。此外，本發明之跌倒風險評估方法及裝置100更可根據受測者的特徵值所對應的步態指標，從而產生對應受測者狀況的後續平衡改善的訓練重點以及特定診療。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

S310~S360:步驟

Claims (13)

1. 一種跌倒風險評估方法，適用於具有一處理器的一電子裝置利用一感測器偵測一受測者的多個動作變化，所述方法包括下列步驟：擷取所述感測器偵測所述動作變化所產生位移與角度偏移而生成的步態訊號；對所述步態訊號進行特徵擷取分析，以獲得所述步態訊號的多個第一特徵值；根據一歷史分析資料對所述第一特徵值進行特徵選取分析，以選取出多個第二特徵值；根據所述歷史分析資料以及一歷史步態訊號對所述第二特徵值進行分類分析，以獲得所述步態訊號的一跌倒風險評估結果；其中根據所述歷史分析資料以及所述歷史步態訊號對所述第二特徵值計算所述跌倒風險評估結果的步驟包括：將所述第二特徵值以及所述歷史分析資料輸入使用機器學習預先建立的一分類模型，以估測所述步態訊號的所述跌倒風險評估結果，其中所述分類模型經使用多個步態訊號的特徵資訊及對應的多個跌倒風險評估結果訓練。
2. 如請求項1所述的方法，更包括：對所述第一特徵值進行特徵值數據分析，以獲得所述步態訊號的多個步態指標；對所述步態指標進行改善分析，以獲得所述步態訊號的一改 善建議。
3. 如請求項1所述的方法，更包括：擷取所述感測器偵測具有跌倒風險的多個第一動作步態變化所產生的多個第一動作訊號以及不具有跌倒風險的多個第二動作步態變化所產生的多個第二動作訊號；對所述第一動作訊號以及所述第二動作訊號分別進行特徵擷取分析以及特徵選取分析，以獲得所述第一動作訊號以及所述第二動作訊號的多個第三特徵值；將所述第三特徵值作為所述分類模型的輸入，並將對應的所述跌倒風險評估結果所述分類模型的輸出，用以訓練所述分類模型。
4. 如請求項1所述的方法，其中所述機器學習包括邏輯斯迴歸(Logistic Regression)、支援向量機(Support Vector Machine,SVM)、堆疊自編碼器(Stacked Autoencoder,SAE)、卷積神經網絡(Convolutional Neural Network,CNN)或深度神經網路(Deep Neural Networks,DNNs)。
5. 如請求項1所述的方法，其中對所述步態訊號進行特徵擷取分析，以獲得所述步態訊號的所述第一特徵值的步驟包括：對所述步態訊號進行資料前處理，以分別獲得所述步態訊號的多個軸向數據；對各所述軸向數據進行特徵擷取分析以獲得所述第一特徵值。
6. 如請求項3所述的方法，其中根據所述歷史分析資料對所述第一特徵值進行特徵選取分析，以選取出所述第二特徵值的步驟，包括：利用所述分類模型根據所述歷史分析資料中的跌倒風險評估結果以及對應的所述歷史步態訊號，對所述第一特徵值進行特徵選取分析，以選取出所述第二特徵值。
7. 一種跌倒風險評估裝置，包括：一資料擷取裝置，連接配置於受測者身上的一感測器，所述感測器偵測所述受測者的多個動作變化以生成多個步態訊號；儲存媒體；以及處理器，耦接所述資料擷取裝置及所述儲存媒體，經配置以：通過所述資料擷取裝置擷取所述感測器偵測所述受測者的質量中心偏移量與偏移角度以產生的所述步態訊號；對所述步態訊號進行特徵擷取分析，以獲得所述步態訊號的多個第一特徵值；根據一歷史分析資料對所述第一特徵值進行特徵選取分析，以選取出多個第二特徵值；根據所述歷史分析資料以及一歷史步態訊號對所述第二特徵值進行分類分析，以獲得所述步態訊號的一跌倒風險評估結果；其中所述處理器更利用擷取所述感測器偵測具有跌倒風險的多個第一動作步態變化所產生的多個第一動作訊號以及不具有跌倒風險的多個第二動作步態變化所產生的多個第二動作訊號，並 對所述第一動作訊號以及所述第二動作訊號分別進行特徵擷取分析以及特徵選取分析，以獲得所述第一動作訊號以及所述第二動作訊號的多個第三特徵值，且將所述第三特徵值作為所述分類模型的輸入，並將對應的所述跌倒風險評估結果所述分類模型的輸出，用以訓練所述分類模型。
8. 如請求項7所述的跌倒風險評估裝置，其中所述處理器對所述第一特徵值進行特徵值數據分析，以獲得所述步態訊號的多個步態指標，並對所述步態指標進行改善分析，以獲得所述步態訊號的一改善建議。
9. 如請求項7所述的跌倒風險評估裝置，其中所述處理器更利用擷取所述感測器偵測具有跌倒風險的多個第一動作步態變化所產生的多個第一動作訊號以及不具有跌倒風險的多個第二動作步態變化所產生的多個第二動作訊號，並對所述第一動作訊號以及所述第二動作訊號分別進行特徵擷取分析以及特徵選取分析，以獲得所述第一動作訊號以及所述第二動作訊號的多個第三特徵值，且將所述第三特徵值作為所述分類模型的輸入，並將對應的所述跌倒風險評估結果所述分類模型的輸出，用以訓練所述分類模型。
10. 如請求項7所述的跌倒風險評估裝置，其中所述機器學習包括邏輯斯迴歸(Logistic Regression)、支援向量機(Support Vector Machine,SVM)、堆疊自編碼器(Stacked Autoencoder,SAE)、卷積神經網絡(Convolutional Neural Network,CNN)或深度神經網路(Deep Neural Networks,DNNs)。
11. 如請求項7所述的跌倒風險評估裝置，其中所述處理器更對所述步態訊號進行資料前處理，以分別獲得所述步態訊號的多個軸向數據，且對各所述軸向數據進行特徵擷取分析以獲得所述第一特徵值。
12. 如請求項9所述的跌倒風險評估裝置，其中所述處理器更利用所述分類模型根據所述歷史分析資料中的跌倒風險評估結果以及對應的所述歷史步態訊號，對所述第一特徵值進行特徵選取分析，以選取出所述第二特徵值。
13. 如請求項9所述的跌倒風險評估裝置，其中所述感測器設置於所述受測者的一脊椎的第三節至第五節之間。

Images