[发明专利]一种用于预测老年人跌倒风险的方法

权利要求书

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，并对深度神经网络模型进行训练，选取最优深度神经网络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；

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；

所述步骤④中深度神经网络模型的计算公式如下：

f_t＝σ(W_xf*x_t+W_hf*h_t-1+b_f)

i_t＝σ(W_xi*x_t+W_hi*h_t-1+b_i)

o_t＝σ(W_xo*x_t+W_ho*h_t-1+b_o)

其中i_t、f_t和o_t表示输入门、遗忘门和输出门，x_t为当前时刻的输入，h_t-1为前一时刻隐藏层的输出，c_t为单元状态，*代表卷积运算，代表Hadamard乘积；

所述步骤④中深度神经网络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,…,x_L}，其中L为序列长度，x_i为一个M维的向量，然后将X划分为N个子序列，则X＝{P_T1,P_T2,..,P_TN}，每一个子序列P_Ti∈R^M×1表示为P_Ti＝{x¹_Ti,…,x¹_Ti}，其中1是每一个子序列的长度，x^k_Ti∈R^M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)；

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，得到最优深度神经网络模型；

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。