[发明专利]使用机器学习算法识别跌倒风险

说明书

可以基于机器学习算法来确定人的跌倒风险。可以使用跌倒风险信息来通知该人和/或第三方监视人员(例如，医生、理疗师、私人教练等)该人的跌倒风险。该信息可用于监视和追踪可能受健康状况、生活方式或医疗中的改变所影响的跌倒风险的变化。此外，跌倒风险分类可以帮助个人在他们跌倒风险更高的日子里更加小心。可以使用机器学习算法来估计跌倒风险，所述机器学习算法通过计算基本和高级间断平衡模型(PEM)稳定性度量来处理来自负载传感器的数据。

本申请是2016年6月29日提交的申请号为201680039095.5的同名专利申请的分案申请。

技术领域

本公开涉及机器学习算法。更具体地，本公开的部分涉及应用机器学习算法来确定患者平衡或识别患者跌倒风险。

背景技术

在美国人口中，意外跌倒导致每年超过3万人死亡。老年人最容易跌倒，因此遭受每年有超过30万的髋部骨折。在髋部骨折的患者中，有50％的人再也回不到家中。导致这些跌倒事件的不良平衡常常在跌倒事件之前几十年下降，但是解决不良平衡的常规方法是在跌倒发生或者患者具有非常严重的平衡问题之后才寻求医学诊断和干预。事实上，当前对跌倒的最好预测是人是否已经跌倒。

为了真正改进全国的跌倒统计，应该在第一次跌倒之前执行预防性干预。平衡与其他身体性能类似，可以通过练习改进，反之则会随着废用而恶化。众所周知，许多生活方式和健康因素(例如，运动、力量、睡眠、认知功能、维生素D补充和用药管理)影响个人的平衡。改变生活方式以改进平衡需要一些时间来建立其保护效果。测量平衡和跌倒风险提供了机会来检测健康和生活方式调整时可能发生的微妙的平衡变化。

人类平衡控制系统是非常复杂的，利用三个或更多个感觉输入，创建运动输出的指令集合，每一个都具有受潜意识和有意识控制、经验、背景和个性所影响的不同策略。关于跌倒的情况进一步复杂化，因为跌倒的来源可能来自众多的内在和外在因素。因此，单独用一种对平衡的基本测量手段来预测跌倒是不够的。机器学习技术针对人类平衡控制系统提供的额外的洞察力和预测能力可以便于更准确地预测跌倒。

美国专利No.8,011,229中讨论了一种这样的机器学习方法。'229专利使用隐马尔可夫模型技术以用于通过根据压力中心(COP)数据识别不同的姿势状态来确定姿势稳定性。COP是来自2个或更多个压力或负载传感器的组合压力的中心位置。姿势状态与静态或动态的分类有关。如名称所暗示的，静态姿势状态被定义为COP数据内的停留区域，其中摆动受限于单一平衡。当人们处于静止状态时，他们的身体摆动被认为是在控制之下，并且人们更加平衡且不太可能跌倒。动态姿势状态被定义为不受任何平衡约束的COP数据的部分，并且根据定义不受约束或不受控制。当人们处于动态状态时，他们被认为是“避开”平衡，并且正在移动到另一平衡或跌倒。静态和动态姿势状态便于评估以前没有记载的姿势稳定性，定义新的姿势控制模型：间断平衡模型(PEM)。PEM被定义为由动态轨迹标出的稳定时段。姿势状态的PEM分类特别适用于对稳定性的实时或接近实时评估。然而，量化姿势状态的后续度量便于确定沿着更长时间线的不稳定性趋势。PEM中的姿势不稳定性的测量被识别为：平衡数量、平衡停留时间和平衡的大小。

PEM方法有许多优点。首先，该技术对统一数据进行分类，识别稳定区域和动态轨迹，后者被视为不稳定的。描述阈值函数以识别用户所处的姿势状态，无论是用于实时识别还是长期检测姿势不稳定性。此外，该方法创建了对稳定性的相对测量，其与高度和重量、脚的位置或已知的稳定边界无关地进行创建。

虽然上述方法改进了对姿势稳定性的认识，但通常理解的是，跌倒的多因子性质意味着难以实现对落在实时和接近实时范围外的跌倒进行预测。尽管发展到目前，但仍然需要改进姿势稳定性表示。

发明内容