[发明专利]一种用于预测老年人跌倒风险的方法

说明书

本发明公开了一种用于预测老年人跌倒风险的方法,包括以下步骤：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。并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；然后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；再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，并对该预测模型进行训练，选取最优预测模型为足压预测模型；最后将压力变化曲线输入足压预测模型，得到预测值。本发明具有数据测量精度高、特征指标多样和预测准确度好的特点。

技术领域

本发明涉及行为识别判断领域，特别是一种用于预测老年人跌倒风险的方法。

背景技术

步行是在人体多种器官及肌肉的协调配合下所共同完成的一项最基本最自然的运动形式，步行能力是老年人独立活动和实现生活自理的基本保障。而人体步行的主要执行单元为下肢，而下肢运动所牵扯的骨头中有28块来源于足部。因此行走过程中的足底压力包含了丰富的步态信息，常被用来研究特殊人群，如老年人的步态异常情况，继而实时评估老年人行走过程中的跌倒风险，为老年人跌倒预防和干预提供理论支持和实践指导。

目前对老年人跌倒风险评估常用的方法为观察法、量表法、测试法和仪器检测法，其中观察法需要测试人员具备相关的临床经验，且准确率较低。量表法和测试法在评定时容易受到人为因素干扰，只适合在临床实践中用作初步诊断，不适用于日常对老年人跌倒风险的预测和评估。而仪器检测法主要是借助足底压力测试平台，先由人工筛选特征作为检测因子，再通过测试平台记录人体行走时的特征数值，然后采用Logistic回归分析、支持向量机等传统机器学习方法，通过对特征数值进行技术得到检测结果。

但这种预测方式在特征选取时仅能够选取离散、单一的特征指标作为检测因子，并不足以概况整个步态或平衡过程，导致预测准确性较低；并且特征提取与后续分类器的选择在很多研究中是彼此独立的过程，无法根据分类的结果对特征和分类器同时优化，从而造成仪器检测法检测效率低、泛化能力差的问题。此外，利用足底压力测试平台检测得到的数据本身存在高纬度、高变异、多变量、时间依赖及非线性等特点，则进一步增加了对预测结果的分析难度。因此，现有对老年人跌倒风险的预测方法存在数据测量精度低、特征指标单一和预测准确度差的问题。

发明内容

本发明的目的在于，提供一种用于预测老年人跌倒风险的方法。它具有数据测量精度高、特征指标多样和预测准确度好的特点。

本发明的技术方案：一种用于预测老年人跌倒风险的方法，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，并对该预测模型进行训练，选取最优预测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。

前述的种用于预测老年人跌倒风险的方法中，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；