[发明专利]使用机器学习算法识别跌倒风险

权利要求书

1.一种方法，包括：

由处理器从至少两个负载检测模块接收在一段时间内的多个负载数据点；

通过将第一机器学习算法应用于所述多个负载数据点来至少部分地基于所述多个负载数据点确定多个姿势状态；

至少部分地基于所述多个姿势状态来计算一个或多个基本间断平衡模型(PEM)稳定性度量，其中，所述基本间断平衡模型(PEM)稳定性度量包括对应于多个姿势状态的存在的度量；

至少部分地基于所述多个姿势状态来计算一个或多个高级间断平衡模型(PEM)稳定性度量，其中，所述高级间断平衡模型(PEM)稳定性度量包括对应于所述多个姿势状态之间的关系的度量；以及

至少部分地基于所述一个或多个基本间断平衡模型(PEM)稳定性度量以及所述一个或多个高级间断平衡模型(PEM)稳定性度量，来确定平衡分数。

2.根据权利要求1所述的方法，其中，所述第一机器学习算法包括隐式马尔科夫模型(HMM)，并且所述HMM基于所述多个负载数据点对静态和动态姿势状态进行分类。

3.根据权利要求1所述的方法，其中，确定所述平衡分数的步骤包括将第二机器学习算法应用于所述一个或多个基本PEM稳定性度量和所述一个或多个高级PEM稳定性度量。

4.根据权利要求3所述的方法，其中，所述第二机器学习算法包括神经网络，其中，所述神经网络利用来自具有已知跌倒历史的个人的训练数据来进行训练。

5.根据权利要求1所述的方法，其中，确定所述平衡分数的步骤包括：使用人工智能技术从倒立摆模型(IPM)计算基本姿势稳定性度量，并且其中，所确定的平衡分数至少部分地基于所述基本姿势稳定性度量。

6.根据权利要求1所述的方法，还包括基于所述多个负载数据点计算至少一个基本非PEM度量，并且其中，确定所述平衡分数包括线性地集成所述一个或多个基本PEM稳定性度量、所述一个或多个高级PEM稳定性度量、以及所述至少一个基本非PEM度量的加权度量。

7.根据权利要求6所述的方法，其中，所述至少一个基本非PEM度量包括以下中的至少一个：峰值中间外侧摆动、峰值前后摆动、中间外侧摆动的标准偏差、前后摆动的标准偏差、平均速度、高于预定速度的试验的分数、95％摆动椭圆的半径、95％摆动圆的半径、以及均方根(RMS)速度。

8.根据权利要求1所述的方法，其中，所述一个或多个基本PEM稳定性度量包括以下中的至少一个：平衡数量、平衡中的停留时间、以及每一个平衡的大小，其中，所述高级PEM稳定性度量包括以下中的至少一个：平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间、或方向平衡。

9.根据权利要求1所述的方法，还包括根据所述平衡分数对跌倒风险进行分类，其中，所述跌倒风险分类基于分类阈值。

10.根据权利要求1所述的方法，还包括：收集个人的历史数据，其中，至少部分地基于所述历史数据来确定所述平衡分数。

11.根据权利要求10所述的方法，其中，收集历史数据的步骤包括收集以下中的至少一个：临床记录、锻炼、生活方式输入、体重、体脂组成、体质指数、水合水平、药物消耗、饮酒消耗、睡眠、每天步数、锻炼、坐着花费的时间、或力量。

12.根据权利要求1所述的方法，其中，计算所述平衡分数的步骤包括：至少基于所述多个姿势状态和在所述多个姿势状态中的至少一个与另一姿势状态之间的转变概率，确定时间点处的姿势状态，其中，所述姿势状态是静态姿势状态或动态姿势状态中的至少一个。

13.根据权利要求1所述的方法，还包括：

至少部分地基于所述多个负载数据点计算压力中心(COP)数据，

其中，至少部分地基于所述压力中心(COP)数据来确定所述多个姿势状态。