Shibin Wu1,2，Jianlin Ou4，Lin Shu1,2，Guohua Hu2，Zhen Song2，Xiangmin Xu1,2,3，Zhuoming Chen4
（1. School of Future Technology，South China University of Technology，Guangzhou，China，
2. School of Electronic and Information Engineering，South China University of Technology，Guangzhou，China，
3. Institute of Modern Industrial Technology of SCUT in Zhongshan，Zhongshan，China，
4. The First Affiliated Hospital of Jinan University，Guangzhou，China）
在全球范围内，跌倒是一个主要的公共卫生问题。据估计，每年发生646000例致命跌倒事件，使其成为意外伤害死亡的第二大原因。跌倒作为老年人意外伤害最常见的原因之一，具有发生频率高、治疗费用高、恢复时间长等特点，严重影响老年人的健康和日常生活。与跌倒检测相比，跌倒风险评估是一种“事后方法”，它为老年人提供了一个识别跌倒风险的机会，并根据评估结果通过调整行走习惯和医院治疗来避免跌倒。利用科学的跌倒风险评估工具对高跌倒风险人群进行筛查，可有效降低老年人跌倒发生率。
老年人跌倒的主要原因包括步态失衡、下肢肌力不足、认知障碍和视力障碍。其中，力量、疾病等因素属于自我可感知的症状，而长期的步态异常作为一种隐性因素，往往难以自我发现而难以提前采取防跌措施。因此，通过监测老年人的步态来评估跌倒的风险是有意义的。目前，评估老年人跌倒风险的传统方法包括观察、量表问卷调查和运动功能测试。然而，使用这些方法很难长期评估老年人的跌倒风险，而长期的足底压力监测是评估跌倒风险的一个可行方法。
近年来，传感器和可穿戴技术发展迅速。可穿戴设备具有小型、便携性强的特点，在远程监控中具有重要意义，特别是在健康检测领域。可穿戴设备中常用的传感器包括压力和惯性类，它们可以通过记录老人的运动和生理数据来客观地评估跌倒的风险。与惯性传感器相比，集成压力传感器的设备更加舒适，不需要改变生活方式，适合老年人使用。
基于长期连续的足底压力监测的研究表明，一个人的步态在不同时期代表不同的跌倒风险。也就是说，并非所有高跌倒风险老年人的步态都是异常的。因此定期检测和短期常规评估存在主观程度高、偶然性高的缺陷。使用深度学习方法有可能使用有限的步态周期进行实时检测，从而避免了实时特征不足的缺陷。此外，受试者的可变性始终存在，这使得传统方法在面对未知样品时无法保证一致的准确性。每个老年人的足底压力信号都包含自己的个性特征，例如足底力的差异，行走时步态模式的差异，脚与鞋垫之间接触面积的差异，这将导致模型无法准确识别受试者之间的跌倒风险， 严重影响模型的泛化能力。
针对现有工作的上述不足，这项研究创新地提出了一个自采集的连续足底压力-风险数据集和一个用于实时跌倒风险评估的多尺度时空层次网络。研究人员收集了来自50名老年人的足底压力数据作为自建数据集。每个受试者被要求穿一双大小合适的智能鞋，并根据自己的行走习惯独立行走至少2分钟。在每只智能鞋的感应鞋垫中部署了8个柔性压力传感器，在行走时以20 Hz的频率收集数据，并在鞋子内部安装无线传输模块，将数据实时传输到移动应用程序。在完成数据预处理以及边界样本定义后，将数据送入到研究构建的多尺度时空层次网络（MhNet）中。MhNet包括2层分类模块，其中第1层建立在卷积神经网络上，第二层使用修正的域自适应神经网络，提取多尺度时空特征。在测试期间，以不同的阈值对不同片段的样本进行投票。由于并非所有有跌倒风险的老年人的步态都是异常的，因此在10-70%的阈值下进行分段投票，以探索识别高风险样本的最佳阈值。与传统方法相比，MhNet在准确性和灵敏度方面有了很大的提高（准确性高于72%，灵敏度高于75.20%），并仅使用9步态即可在实时跌倒风险评估中显示出可接受的可靠性。
资料来源：
根据Shibin Wu等于2022年发表在Computing in Biology and Medicine期刊题目为《MhNet: Multi-scale spatio-temporal hierarchical network for real-time wearable fall risk assessment of the elderly》的文章缩写整理而成。
