在社区老年人和中风幸存者中对跌倒风险评估特征的比较分析:基于传感器的数据的见解

科学领域:

• 老年学是一门学科.
• 神经学 神经学
• 生物医学工程 生物医学工程

背景情况:

• 跌倒是社区居住的老年人和中风幸存者的一个重大问题,影响了他们的流动性和独立性.
• 现有的落风险评估方法往往缺乏针对不同风险人群的具体性.
• 识别常见的跌倒预测因素对于有针对性的干预措施至关重要.

研究的目的:

• 确定预测社区居住的老年人和中风幸存者的跌倒风险的独特和共同特征.
• 为了评估机器学习算法的有效性,分析时间上升和去 (TUG) 测试数据的跌倒风险.
• 确定这些人群中跌倒风险预测最重要的特征.

主要方法:

• 利用来自65名老年人和35名中风幸存者的定时启动和启动 (TUG) 测试中的惯性传感器数据.
• 采用了Relief-F和额外树木分类算法,具有100倍的交叉验证来提取特征集.
• 训练随机森林分类器在特征子集和分析特征的重要性下降风险预测.

主要成果:

• 在老年人和中风幸存者群体中,站立时间始终被确定为跌倒风险的关键预测因素.
• 两个组之间特征的重要性有所不同,突出了对量身定制评估的需求.
• 该研究成功地确定了使用机器学习来预测落风险的相关特征.

结论:

• 站立时间是老年人和中风幸存者的跌倒风险的普遍指标.
• 机器学习方法可以有效地识别TUG测试数据中的关键特征,用于降落风险评估.
• 未来的研究应该探索将站立时间整合到临床跌倒风险协议中,以提高预测.