基于隐性弱足个体识别的可穿戴式跌倒风险评估新突破

《Journal of NeuroEngineering and Rehabilitation》：Wearable fall risk assessment by discriminating recessive weak foot individual

研究人员针对跌倒风险评估模型的不足，开展相关研究，提出新方法，提高了模型性能，减少误诊。

　　在人口老龄化加剧的当下，老年人跌倒成为一个不容忽视的健康问题。据相关数据显示，每年有大量老人因跌倒而受伤，严重影响生活质量甚至危及生命。目前，基于传感器的技术在跌倒风险评估领域展现出一定潜力，比如加速度计和惯性测量单元（IMU）常用于跌倒预测和风险评估，足底压力数据在解决平衡相关问题等方面也具有重要价值。然而，现有的研究存在诸多问题，一方面，基于足底压力的研究样本长度差异大，从 0.5 - 5 分钟或 20 - 180 步不等，这对模型性能产生了影响；另一方面，现有模型在不同场景和数据集下的鲁棒性和可靠性不足，某些个体的误分类问题严重，却缺乏深入分析。

为了解决这些问题，华南理工大学等机构的研究人员开展了一项关于可穿戴式跌倒风险评估的研究。他们通过分析弱足特征空间，识别出一种异常步态模式 ——“隐性弱足（RWF）”，其特点是弱足侧出现不连续的高风险步态。这种情况会对跌倒风险评估模型的训练和性能产生负面影响。研究人员提出了一种可训练阈值方法来识别 RWF 个体，并将其嵌入到二阶段模型中。该研究成果发表在《Journal of NeuroEngineering and Rehabilitation》上，为跌倒风险评估领域带来了新的突破。

在研究过程中，研究人员用到了多个关键技术方法。首先是数据采集，他们使用自行研制的智能鞋系统，该系统包含 16 个分布在不同位置的压力传感器，用于收集足底压力数据。研究对象来自多个队列，包括基于跌倒风险评估的数据集 I 和数据集 II，以及两个帕金森病（PD）相关的数据集 III 和数据集 IV。其次，采用了滑动窗口法对数据进行分割和增强，以获取不同样本长度的数据。此外，利用 t - SNE 方法构建特征空间，通过计算分布差异指数（DDI）来识别 RWF 个体，最后使用多种机器学习分类器构建二阶段模型。

下面来看具体的研究结果：

• 方法可行性：研究人员根据试点研究结果将受试者分为高准确率组（HA）和低准确率组（LA）。通过对 DDI 值进行分析，发现 LA 组的平均 DDI 值显著高于 HA 组。利用自适应阈值方法，当 α = 0.3 时，基于 DDI 的方法准确率达到 77%，有效筛选出了大部分 RWF 个体。二阶段模型在数据集 I 上的准确率达到 85.4%，敏感性为 87.5%，相比基线模型有显著提升。其中，DWF 模型的准确率达到 89.7%，而 RWF 模型由于训练样本不足等原因，准确率为 66.7%。
• 消融研究：在数据集 II 上进行消融研究，结果表明二阶段模型中各组件对性能提升至关重要。停用二阶段模型的开发，使用默认特征和分类器会导致整体准确率下降。单独分析阈值方法的关键元素发现，缺少参考值或阈值都会降低模型性能，只有两者协同工作才能有效划分训练集。
• 方法兼容性：研究人员以 PD 数据集为对象，测试了该方法的兼容性。结果显示，通过区分不同个体类型并优化训练集，二阶段模型提高了模型的鲁棒性，准确率从 67.2% 提升到约 71%。

在研究结论和讨论部分，研究人员指出，通过识别 RWF 步态模式并提出自适应阈值方法，有效提升了模型的泛化能力。该方法能够让模型更好地考虑个体步态差异，在质量控制方面发挥了重要作用，有助于减少误诊。同时，RWF 步态模式的发现也为相关研究提供了新的方向，比如从过渡状态、双任务干扰（DTI）和发作性步态障碍等角度进一步探索其机制。不过，目前自适应阈值方法的应用还存在局限性，其 DDI 计算仅限于足底压力数据，未来需要拓展其适用性，探索更多与 RWF 相关的生物信号模式，并通过多中心和跨数据集分析来进一步验证其泛化性。

总的来说，这项研究为跌倒风险评估提供了新的思路和方法，具有重要的临床应用价值和研究意义，有望为老年人跌倒预防和健康管理提供有力支持。