论文部分内容阅读
跌倒是老年人群或康复病人面临的一大威胁,这类人群由于身体的平衡控制能力较弱,极易在行走过程中发生跌倒,从而带来不同程度的伤害,因此,研究搭载跌倒风险自动识别系统的穿戴式传感设备具有广泛的应用前景。文献中现有的跌倒风险识别方法大多需要他人的参与,因而难以用于这种场景。本文的主要内容是研究基于足底压力分布数据的老年人跌倒风险自动识别系统,采用的方法是基于深度学习中的神经网络类模型。为此,本文选取了深圳市罗湖区医养融合医院的85名老年人参与精心设计的行走测试实验,在实验中我们利用专业的足底压力测试仪器采集足底全区的压力数据,同时应用多种临床手段获得对应的风险标记,从而获得了所需的学习样本。然后我们对这些数据进行了统计分析和预测建模,获得了若干结论,我们的主要研究结论和创新点可以总结如下:1.我们通过统计分析和假设检验获得了关于不同跌倒风险下足底压力的若干经验特征。特别地,我们分析比较了不同风险组下足底压力的峰值差异以及抵达峰值的时间差异,发现不同风险组下的足底压力曲线存在形态上的显著差异,这些发现不仅进一步印证了既有文献中的一些研究结论,也为下一步建立基于深度神经网络的跌倒风险预测模型奠定了基础;2.我们首次基于全区足底压力分布数据,结合卷积神经网络和长短期记忆神经网络建立了预测跌倒风险的ConvLSTM模型;为了评估和比较该模型的表现,我们还建立了基于动态时间弯曲距离的DTW-KNN模型,比较结果发现ConvLSTM模型的分类敏感性和准确率最优达到了93%和94%,显著优于DTW-KNN模型和单纯的LSTM模型;同时我们还发现,基于双足全区足底压力的ConvLSTM模型的分类敏感性(达94%)优于只用足底总压力数据或部分区域压力数据所建立的模型;3.采用全部足区压力数据的ConvLSTM模型虽然在分类精度上稍微逊色于DNN模型,但是有更具竞争力的训练速度;同时相对于传统的跌倒风险评估方法,我们的方法不仅免除了人工选择特征的过程,而且具有更好的分类表现,这为进一步研发可以实时评估跌倒风险的可穿戴式设备提供了可能。