[發明專利]使用機器學習算法識別跌倒風險

在審

• 申請號: 202010940415.2
• 申請日: 2016-06-29
• 公開（公告）號: CN112043281A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: K·福思;E·L·埃丹
• 申請（專利權）人: 茲布里奧有限公司
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/103;A61B5/00;G06N3/08;G06N7/00;G06N20/00;G16H20/30;G16H50/20;G16H50/30;G16H20/10
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 劉文燦

1.一種方法，包括：

由處理器從至少兩個負載檢測模塊接收在一段時間內的多個負載數據點；

通過將第一機器學習算法應用于所述多個負載數據點來至少部分地基于所述多個負載數據點確定多個姿勢狀態；

至少部分地基于所述多個姿勢狀態來計算一個或多個基本間斷平衡模型(PEM)穩定性度量，其中，所述基本間斷平衡模型(PEM)穩定性度量包括對應于多個姿勢狀態的存在的度量；

至少部分地基于所述多個姿勢狀態來計算一個或多個高級間斷平衡模型(PEM)穩定性度量，其中，所述高級間斷平衡模型(PEM)穩定性度量包括對應于所述多個姿勢狀態之間的關系的度量；以及

至少部分地基于所述一個或多個基本間斷平衡模型(PEM)穩定性度量以及所述一個或多個高級間斷平衡模型(PEM)穩定性度量，來確定平衡分數。

2.根據權利要求1所述的方法，其中，所述第一機器學習算法包括隱式馬爾科夫模型(HMM)，并且所述HMM基于所述多個負載數據點對靜態和動態姿勢狀態進行分類。

3.根據權利要求1所述的方法，其中，確定所述平衡分數的步驟包括將第二機器學習算法應用于所述一個或多個基本PEM穩定性度量和所述一個或多個高級PEM穩定性度量。

4.根據權利要求3所述的方法，其中，所述第二機器學習算法包括神經網絡，其中，所述神經網絡利用來自具有已知跌倒歷史的個人的訓練數據來進行訓練。

5.根據權利要求1所述的方法，其中，確定所述平衡分數的步驟包括：使用人工智能技術從倒立擺模型(IPM)計算基本姿勢穩定性度量，并且其中，所確定的平衡分數至少部分地基于所述基本姿勢穩定性度量。

6.根據權利要求1所述的方法，還包括基于所述多個負載數據點計算至少一個基本非PEM度量，并且其中，確定所述平衡分數包括線性地集成所述一個或多個基本PEM穩定性度量、所述一個或多個高級PEM穩定性度量、以及所述至少一個基本非PEM度量的加權度量。

7.根據權利要求6所述的方法，其中，所述至少一個基本非PEM度量包括以下中的至少一個：峰值中間外側擺動、峰值前后擺動、中間外側擺動的標準偏差、前后擺動的標準偏差、平均速度、高于預定速度的試驗的分數、95％擺動橢圓的半徑、95％擺動圓的半徑、以及均方根(RMS)速度。

8.根據權利要求1所述的方法，其中，所述一個或多個基本PEM穩定性度量包括以下中的至少一個：平衡數量、平衡中的停留時間、以及每一個平衡的大小，其中，所述高級PEM穩定性度量包括以下中的至少一個：平衡的時間、平衡距離、平衡重疊、平衡百分比、平均平衡持續時間、或方向平衡。

9.根據權利要求1所述的方法，還包括根據所述平衡分數對跌倒風險進行分類，其中，所述跌倒風險分類基于分類閾值。

10.根據權利要求1所述的方法，還包括：收集個人的歷史數據，其中，至少部分地基于所述歷史數據來確定所述平衡分數。

11.根據權利要求10所述的方法，其中，收集歷史數據的步驟包括收集以下中的至少一個：臨床記錄、鍛煉、生活方式輸入、體重、體脂組成、體質指數、水合水平、藥物消耗、飲酒消耗、睡眠、每天步數、鍛煉、坐著花費的時間、或力量。

12.根據權利要求1所述的方法，其中，計算所述平衡分數的步驟包括：至少基于所述多個姿勢狀態和在所述多個姿勢狀態中的至少一個與另一姿勢狀態之間的轉變概率，確定時間點處的姿勢狀態，其中，所述姿勢狀態是靜態姿勢狀態或動態姿勢狀態中的至少一個。

13.根據權利要求1所述的方法，還包括：

至少部分地基于所述多個負載數據點計算壓力中心(COP)數據，

其中，至少部分地基于所述壓力中心(COP)數據來確定所述多個姿勢狀態。