[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

可以基于機器學習算法來確定人的跌倒風險。可以使用跌倒風險信息來通知該人和/或第三方監視人員(例如，醫生、理療師、私人教練等)該人的跌倒風險。該信息可用于監視和追蹤可能受健康狀況、生活方式或醫療中的改變所影響的跌倒風險的變化。此外，跌倒風險分類可以幫助個人在他們跌倒風險更高的日子里更加小心。可以使用機器學習算法來估計跌倒風險，所述機器學習算法通過計算基本和高級間斷平衡模型(PEM)穩定性度量來處理來自負載傳感器的數據。

本申請是2016年6月29日提交的申請號為201680039095.5的同名專利申請的分案申請。

技術領域

本公開涉及機器學習算法。更具體地，本公開的部分涉及應用機器學習算法來確定患者平衡或識別患者跌倒風險。

背景技術

在美國人口中，意外跌倒導致每年超過3萬人死亡。老年人最容易跌倒，因此遭受每年有超過30萬的髖部骨折。在髖部骨折的患者中，有50％的人再也回不到家中。導致這些跌倒事件的不良平衡常常在跌倒事件之前幾十年下降，但是解決不良平衡的常規方法是在跌倒發生或者患者具有非常嚴重的平衡問題之后才尋求醫學診斷和干預。事實上，當前對跌倒的最好預測是人是否已經跌倒。

為了真正改進全國的跌倒統計，應該在第一次跌倒之前執行預防性干預。平衡與其他身體性能類似，可以通過練習改進，反之則會隨著廢用而惡化。眾所周知，許多生活方式和健康因素(例如，運動、力量、睡眠、認知功能、維生素D補充和用藥管理)影響個人的平衡。改變生活方式以改進平衡需要一些時間來建立其保護效果。測量平衡和跌倒風險提供了機會來檢測健康和生活方式調整時可能發生的微妙的平衡變化。

人類平衡控制系統是非常復雜的，利用三個或更多個感覺輸入，創建運動輸出的指令集合，每一個都具有受潛意識和有意識控制、經驗、背景和個性所影響的不同策略。關于跌倒的情況進一步復雜化，因為跌倒的來源可能來自眾多的內在和外在因素。因此，單獨用一種對平衡的基本測量手段來預測跌倒是不夠的。機器學習技術針對人類平衡控制系統提供的額外的洞察力和預測能力可以便于更準確地預測跌倒。

美國專利No.8,011,229中討論了一種這樣的機器學習方法。'229專利使用隱馬爾可夫模型技術以用于通過根據壓力中心(COP)數據識別不同的姿勢狀態來確定姿勢穩定性。COP是來自2個或更多個壓力或負載傳感器的組合壓力的中心位置。姿勢狀態與靜態或動態的分類有關。如名稱所暗示的，靜態姿勢狀態被定義為COP數據內的停留區域，其中擺動受限于單一平衡。當人們處于靜止狀態時，他們的身體擺動被認為是在控制之下，并且人們更加平衡且不太可能跌倒。動態姿勢狀態被定義為不受任何平衡約束的COP數據的部分，并且根據定義不受約束或不受控制。當人們處于動態狀態時，他們被認為是“避開”平衡，并且正在移動到另一平衡或跌倒。靜態和動態姿勢狀態便于評估以前沒有記載的姿勢穩定性，定義新的姿勢控制模型：間斷平衡模型(PEM)。PEM被定義為由動態軌跡標出的穩定時段。姿勢狀態的PEM分類特別適用于對穩定性的實時或接近實時評估。然而，量化姿勢狀態的后續度量便于確定沿著更長時間線的不穩定性趨勢。PEM中的姿勢不穩定性的測量被識別為：平衡數量、平衡停留時間和平衡的大小。

PEM方法有許多優點。首先，該技術對統一數據進行分類，識別穩定區域和動態軌跡，后者被視為不穩定的。描述閾值函數以識別用戶所處的姿勢狀態，無論是用于實時識別還是長期檢測姿勢不穩定性。此外，該方法創建了對穩定性的相對測量，其與高度和重量、腳的位置或已知的穩定邊界無關地進行創建。

雖然上述方法改進了對姿勢穩定性的認識，但通常理解的是，跌倒的多因子性質意味著難以實現對落在實時和接近實時范圍外的跌倒進行預測。盡管發展到目前，但仍然需要改進姿勢穩定性表示。

發明內容