基于点-线-面层次特征与机器学习的社区老年人跌倒风险评估：上肢运动模式的关键作用

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Movement Pattern Analysis Based on Point-Line-Plane Hierarchies and Machine Learning for Fall Risk Assessment in Community-Dwelling Older Adults

为解决传统临床平衡评估依赖主观观察、难以捕捉动态多系统协调的问题，研究人员开展了一项基于OpenPose二维姿态估计和机器学习算法的主题研究，系统比较了全身、上肢、下肢和躯干运动特征在老年人跌倒风险分类中的效能。研究发现上肢和全身特征具有最高预测准确率（78%），特征重要性分析筛选出12.5%的关键变量（如腕部位移和上肢速度），显著提升模型性能。该研究揭示了上肢运动在平衡控制中的重要作用，为开发高效、无接触的临床跌倒风险筛查工具提供了新思路。

　　

随着全球人口老龄化进程加速，跌倒已成为威胁老年人健康的重大公共卫生问题。据统计，65岁以上人群中每年有约三分之一至少经历一次跌倒事件，由此导致的伤残、死亡率上升和医疗负担加重对个人和社会造成沉重压力。尽管通过运动训练、环境改造和药物调整等多因素干预措施可有效降低跌倒风险，但目前大多数临床评估仍依赖于观察性评分系统，这些方法难以捕捉动态运动过程中的多系统协调机制。

传统功能性移动能力评估（如2分钟步行测试或计时起立行走测试）虽能有效评估耐力和 locomotion（移动能力），但可能无法识别早期的平衡功能损害。研究表明，跌倒往往先于行走能力下降出现姿势控制能力的改变，甚至细微的转身速度变化都可作为神经功能衰退的早期生物标志物。因此，聚焦于平衡导向的动作（如坐站转换任务）能为平衡调节和年龄相关运动适应提供更直接的观察窗口。

近年来，计算机视觉和二维姿态估计技术（如OpenPose）的发展使得从普通RGB视频中提取关节轨迹成为可能，为功能性运动分析提供了无创、经济且可扩展的解决方案。然而，现有研究多集中于下肢功能和步态参数分析，且在高度受控环境下开发的模型其实际应用泛化能力存疑。姿态控制和跌倒风险涉及多个身体部位的复杂协调，其中躯干作为连接上下肢的核心生物力学和神经中枢，对维持日常活动中的动态平衡至关重要。尽管上肢在平衡恢复过程中具有保护性和代偿性机制，但其在跌倒相关反应中的作用尚未得到充分研究。

为此，本研究提出了一种基于OpenPose的多层次特征建模框架，通过分析30秒坐站转换任务中的运动特征，系统比较了不同解剖区域特征的分类能力。研究创新性地设计了点级（关节）、线级（关节间向量）和面级（空间协调）特征提取层次，并采用数据驱动方法探索了机器学习的应用潜力。

研究人员主要采用了以下关键技术方法：招募59名社区居住的老年人，通过智能手机（iPhone 8）采集 frontal-view（正面视角）运动视频，使用OpenPose提取17个解剖关键点的二维坐标。构建了点、线、面三级特征体系，包括关节位移、节段长度、速度等COP（压力中心）相关参数。采用随机森林和XGBoost（极端梯度提升）算法，通过严格的嵌套交叉验证框架进行模型训练和特征选择，并使用SHAP（沙普利加性解释）值进行模型可解释性分析。

样本特征

参与者根据短版伯格平衡量表分为正常平衡组（32人）和较弱平衡组（27人）。两组在年龄分布上具有可比性，符合社区老年人的人口学特征。

全身与区域模型分类性能

随机森林模型结果显示，全身特征模型达到最高准确率（0.78），上肢特征模型紧随其后（0.76），而下肢和躯干特征模型性能显著较低。这表明上肢动力学特征具有强大的预测价值，挑战了传统以下肢为中心的评估框架。

点级特征分析

PCA（主成分分析）显示正常组与较弱组之间存在部分重叠但可见分离趋势。PC1（主成分1）载荷识别出右膝、右肘、右肩等关键贡献关节。虽然经过FDR（错误发现率）校正后无单一关键点-特征对达到统计显著性，但上下肢多个关节显示出趋势级差异，表明平衡相关运动差异分布于多个关节。

线级特征分析

从8个肢体节段提取的特征中，上肢特征模型准确率为0.47，下肢为0.51，全身肢体特征融合后略微提升至0.54。结果表明，仅基于节段长度和速度的线级特征可能无法完全捕捉人体姿态控制的复杂机制。

区域级特征分析

XGBoost模型使用下半身特征时达到最高准确率（0.61），随机森林则在全身特征整合上表现更优（0.59）。这表明XGBoost更擅长捕捉下肢运动的复杂非线性模式，而随机森林在整合异构全身数据方面更具优势。

特征选择与重要性分析

通过泄漏自由的嵌套交叉验证，特征重要性分析筛选出16个稳定特征，使用这些特征进行第二轮验证时，模型泛化能力显著提升：AUC（曲线下面积）从0.60增至0.676，平衡准确率从0.586提升至0.730。SHAP分析显示，左肘前后位移、左膝前后位移和右踝内外位移变异度是重要贡献特征。

不同类型运动特征的影响

摇摆面积特征表现最佳（63.94%），平均位移特征次之（54.09%），而平均速度（35.76%）和总运动距离（30.3%）分类准确率较低，表明身体摇摆范围的变化为区分平衡能力提供了关键信息。

研究结论与讨论部分强调，这种结构化的多层次特征工程框架能够同时捕捉细粒度关节轨迹和全局协调模式。上肢运动包含被传统分析忽视的丰富跌倒风险信号，这一发现为临床研究提供了新方向。与传统线性运动学模型最高仅0.61的准确率相比，机器学习模型性能的显著提升反映了其捕捉姿态控制中非线性、多尺度和感觉整合方面的优势。

通过特征重要性驱动的维度约简，使用仅10%的高排名特征即可将准确率提升至接近69.4%，突显了特征选择在增强模型鲁棒性和可解释性方面的关键作用。筛选出的9个代表性生物力学变量覆盖了上下肢和全身协调的多维运动特征，不仅反映了局部运动细节，也揭示了神经肌肉控制系统涉及的跨解剖区域动态平衡机制。

尽管本研究样本量有限且基于单一实验室环境，但证明了基于视觉的平衡评估框架的可行性。未来研究将通过扩大样本规模、纳入多样化人群和前瞻性验证来增强临床适用性。这种结合智能手机和人工智能的方法有望开发出便携、低成本的跌倒风险筛查工具，为社区老年人的跌倒预防和干预提供技术支持。