老年人跌倒风险预测与深度学习和定时升级和移动 (TUG) 测试数据
Josu Maiora1,2, Chloe Rezola-Pardo3, Guillermo García4
1Electronic Technology Department, Faculty of Engineering of Gipuzkoa, University of the Basque Country, 20018 San Sebastian, Spain.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
预测老年人的跌倒风险至关重要. 这项研究表明,使用深度学习分析的定时启动和启动 (TUG) 测试期间可穿戴传感器的数据可以准确地估计未来的跌倒概率.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 布对老龄化人口构成重大健康风险,需要有效的预测工具.
- 目前的跌倒风险评估通常涉及临床评估和功能性移动性测试,如定时启动和启动 (TUG) 测试.
- 可穿戴惯性测量单元 (IMU) 提供了一种新的方法来捕获运动数据以估计跌倒风险.
研究的目的:
- 调查使用TUG测试中的IMU数据来预测老年人未来跌倒风险的有效性.
- 开发和验证深度学习模型,以估计在不久的将来跌倒的概率.
主要方法:
- 一组106名老年人在TUG测试期间佩戴无线IMU传感器.
- 深度学习模型,包括卷积神经网络 (CNN) 和循环神经网络 (RNN),应用于提取的IMU特征.
- 使用监督学习,并使用二进制结果变量,表示在六个月的随访期内下降.
主要成果:
- 一个双向长期短期记忆 (BLSTM) 模型实现了最佳性能.
- BLSTM模型的准确度为0.83,曲线下的面积 (AUC) 为0.73.
- 该模型还在预测跌倒风险方面表现出良好的灵敏度和特异性.
结论:
- 在TUG测试期间收集的IMU数据,当使用深度学习分析时,可以有效地预测老年人未来的跌倒风险.
- 这种方法提供了一种有希望的,客观的方法来识别有高跌倒风险的个人.
- 这些发现支持将可穿戴传感器技术和人工智能集成到老年人跌倒预防策略中.
