張玉梅，劉 鑫，何永琴，顧文華，張浩哲，宋彩萍*

（1.陸軍軍醫(yī)大學(xué)第二附屬醫(yī)院，重慶 400037；2.南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，南京 210094；3.重慶大學(xué)自動(dòng)化學(xué)院，重慶 400044）

0 引言

60 歲以上老年人群跌倒風(fēng)險(xiǎn)極高[1-5]，跌倒不僅會(huì)造成老年人機(jī)體損傷，還會(huì)影響老年人的日常生活能力及社會(huì)參與程度，甚至危及生命，已成為嚴(yán)重影響老年人健康的重要問題[6-7]。跌倒的危險(xiǎn)因素包括外在與內(nèi)在因素，如環(huán)境、健康狀態(tài)、感覺、肌力及藥物等。而人體正常行走或運(yùn)動(dòng)時(shí)，足部受力的大小和方向、腳底皮膚觸覺信息的反饋對(duì)人體運(yùn)動(dòng)及平衡控制產(chǎn)生巨大的影響[8-10]。研究顯示，約53%的老年人跌倒是由行走或站立不穩(wěn)定造成的[11]。因此，異常步態(tài)被用作跌倒的最佳預(yù)警因素[4-5，12]。

目前，分析異常步態(tài)的工具主要包括基于壓力檢測的穿戴式步態(tài)檢測裝置（系統(tǒng)）和基于影像的檢測系統(tǒng)。穿戴式步態(tài)檢測裝置（系統(tǒng)）因?yàn)閼?yīng)用范圍廣泛，受到了廣大研究人員和商業(yè)機(jī)構(gòu)的關(guān)注，如廣東樂源數(shù)字技術(shù)有限公司的魏秦等[13]、上海交通大學(xué)的韓韜等[14]、北京城市系統(tǒng)工程研究中心的馬英楠等[15]、蘇州大學(xué)的徐大誠等[16]、北京工業(yè)大學(xué)的史文飛等[17]研制的跌倒檢測裝置和系統(tǒng)，以上裝置和系統(tǒng)均使用壓力感知器或（和）角度傳感器以及加速度感知器進(jìn)行跌倒判斷，并結(jié)合藍(lán)牙裝置進(jìn)行跌倒報(bào)警定位。此外，中國醫(yī)學(xué)科學(xué)院生物醫(yī)學(xué)工程研究所的殷濤等[18]研發(fā)了集多功能檢測背心單元和雙足多點(diǎn)壓力檢測鞋墊單元于一體的系統(tǒng)，該系統(tǒng)通過加速度和壓力的變化來進(jìn)行跌倒?fàn)顟B(tài)的檢測。以上成果及產(chǎn)品雖然能較為有效地進(jìn)行跌倒判斷，但不能早期預(yù)警跌倒的風(fēng)險(xiǎn)；且造價(jià)昂貴，臨床應(yīng)用不廣泛。為此，本研究設(shè)計(jì)了一款新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊，對(duì)老年人的日常步態(tài)進(jìn)行跌倒風(fēng)險(xiǎn)預(yù)測，從而實(shí)現(xiàn)早期預(yù)警。

1 設(shè)計(jì)

新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊主要包括足底壓力數(shù)據(jù)采集平臺(tái)和跌倒預(yù)警系統(tǒng)2 個(gè)部分。針對(duì)老年人跌倒時(shí)足底壓力的特點(diǎn)和作用規(guī)律，采用柔性電子器件和物聯(lián)網(wǎng)技術(shù)進(jìn)行足底壓力參數(shù)的采集，然后通過神經(jīng)網(wǎng)絡(luò)并結(jié)合流行病學(xué)史對(duì)足底壓力參數(shù)進(jìn)行分析，給出跌倒風(fēng)險(xiǎn)分析結(jié)果。

1.1 足底壓力數(shù)據(jù)采集平臺(tái)

足底壓力數(shù)據(jù)采集平臺(tái)由硬件電路和上位機(jī)軟件組成。

硬件部分的開發(fā)環(huán)境為立創(chuàng)電子設(shè)計(jì)自動(dòng)化（electronic design automation，EDA）平臺(tái)以及嵌入式開發(fā)工具IAR，前者設(shè)計(jì)電路，后者編寫ZigBee 芯片的燒錄程序。硬件電路包含電源管理、無線通信以及壓力傳感3 個(gè)模塊。電源管理模塊包括鋰電池和線性穩(wěn)壓芯片（LDO）XC6206-33，輸出電壓為3.3 V。無線通信模塊則由ZigBee 芯片以及74HC4067 選擇器組成。ZigBee 芯片控制選擇器將各個(gè)通道的傳感電路選通到模數(shù)轉(zhuǎn)換器采集端，再以設(shè)定的通信頻率將數(shù)據(jù)通過天線發(fā)送到接收器。壓力傳感模塊由柔性壓力傳感器和定值電阻組成，該模塊通過讀取分壓電路電壓的變化來獲取壓力傳感器電阻的變化。人在赤足行走時(shí)足部各區(qū)域的負(fù)重不同[19-20]，運(yùn)動(dòng)與站立時(shí)腳底壓力分布相差較大，如圖1 所示。本設(shè)計(jì)在壓力傳感模塊的布局中，結(jié)合足部解剖特征和運(yùn)動(dòng)生物力學(xué)，將壓力傳感模塊分別置于腳部足跟骨內(nèi)外側(cè)，足弓內(nèi)外側(cè)，第1、2、3 跖趾關(guān)節(jié)處，第4 與第5 跖趾關(guān)節(jié)之間，第1、2、4 趾間關(guān)節(jié)處，并將壓力傳感模塊加裝于傳統(tǒng)鞋墊的上表面，用于感應(yīng)足底的受力分布及變化，捕捉異常壓力信號(hào)（如圖2所示）。接收器通過USB 連接到計(jì)算機(jī)的主機(jī)，并在計(jì)算機(jī)上安裝串口通信驅(qū)動(dòng)實(shí)現(xiàn)通信。

圖1 正常人行走時(shí)的壓力中心曲線

圖2 新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊實(shí)物圖

上位機(jī)軟件的開發(fā)環(huán)境為QT，采用C++語言編程。根據(jù)傳感器進(jìn)行壓力測試得到的壓力-電壓轉(zhuǎn)換關(guān)系，上位機(jī)軟件將接收器接收到的電壓轉(zhuǎn)換成施加在傳感器上的壓力，并以曲線圖形式顯示，如圖3所示。

圖3 足底壓力數(shù)據(jù)采集平臺(tái)實(shí)時(shí)顯示的足底壓力變化

1.2 跌倒預(yù)警系統(tǒng)

跌倒預(yù)警系統(tǒng)由數(shù)據(jù)庫和神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。數(shù)據(jù)庫基于瀏覽器/服務(wù)器（Browser/Server，B/S）模式，采用C#語言進(jìn)行開發(fā)，其軟件系統(tǒng)基于.NET Core 平臺(tái)下的ASP.NET Core MVC Web 應(yīng)用框架進(jìn)行開發(fā)，使用Http 網(wǎng)絡(luò)協(xié)議進(jìn)行數(shù)據(jù)傳輸，采用SQL Server 2012數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲(chǔ)。該數(shù)據(jù)庫主要包含數(shù)據(jù)管理和系統(tǒng)設(shè)置數(shù)據(jù)管理兩大功能模塊。其中數(shù)據(jù)管理模塊主要實(shí)現(xiàn)采集批次管理、受試者檔案管理、受試者數(shù)據(jù)管理和數(shù)據(jù)分析功能；系統(tǒng)設(shè)置數(shù)據(jù)管理模塊主要實(shí)現(xiàn)權(quán)限管理、角色管理和管理員管理功能。

采用卷積神經(jīng)網(wǎng)絡(luò)（convolution neural networks，CNN）進(jìn)行跌倒風(fēng)險(xiǎn)分析。獲取足底壓力曲線后，對(duì)曲線進(jìn)行灰度化、膨脹腐蝕及邊緣提取等操作，得到足底中心壓力（center of presure，COP）曲線軌跡。采用Python 3.7.4 編程，利用Torch 庫搭建CNN。CNN包含3 個(gè)卷積層和1 個(gè)全連接層，每個(gè)卷積層均需經(jīng)歷一系列卷積、池化和激活操作，最終通過全連接層對(duì)圖像的特征進(jìn)行分類判定。

采用Sklearn 類下的train_test_split 模塊將數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，將隨機(jī)數(shù)種子設(shè)為0，驗(yàn)證集比例設(shè)為30%。經(jīng)劃分，訓(xùn)練集、驗(yàn)證集分別有700 例、300 例樣本，使用劃分好的訓(xùn)練集、驗(yàn)證集訓(xùn)練并驗(yàn)證模型。訓(xùn)練過程分為前向傳播與反向傳播2 個(gè)過程，在定義好訓(xùn)練輪次后，使數(shù)據(jù)按照網(wǎng)絡(luò)模型結(jié)構(gòu)依次通過上述各層，再經(jīng)反向傳播修改各個(gè)參數(shù)權(quán)重，即完成了1 輪訓(xùn)練，如圖4 所示。本研究在逐次加大訓(xùn)練輪次后，確定最佳訓(xùn)練輪次為16次，即訓(xùn)練到第16 次時(shí)終止訓(xùn)練，得到跌倒風(fēng)險(xiǎn)預(yù)警模型。

圖4 機(jī)器學(xué)習(xí)基本流程

2 應(yīng)用效果

2.1 方法

2.1.1 研究對(duì)象

選擇2019年1 月至2021年1 月重慶市9 家醫(yī)療機(jī)構(gòu)的510 例受試者。納入標(biāo)準(zhǔn)：（1）年齡≥60歲；（2）視力、聽力和意識(shí)基本正常；（3）有基本的溝通和理解能力；（4）能不輔助其他工具（拐杖、助行器）獨(dú)立行走。排除標(biāo)準(zhǔn)：（1）患有嚴(yán)重影響活動(dòng)、行走的骨關(guān)節(jié)或其他疾??；（2）患有影響正常穿戴新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊或參數(shù)收集的足部疾病，如足弓、足趾畸形；（3）患有其他嚴(yán)重疾病，如心衰、慢性阻塞性肺疾病急性加重期、肝腎功能不全、腦血管疾病等。根據(jù)是否在1 a 內(nèi)發(fā)生跌倒分為跌倒組（156 例）和非跌倒組（354 例）。1 a 內(nèi)跌倒史是指受試者在行走時(shí)由于自身姿勢不穩(wěn)定導(dǎo)致的跌倒，如腳踩空、左右腳互絆、跨越已知障礙等，而非人與外界環(huán)境的接觸導(dǎo)致的跌倒，如車、人、物的撞擊，常提示受試者具有跌倒的風(fēng)險(xiǎn)。將納入研究的患者資料隨機(jī)抽取70%（357 例）作為訓(xùn)練集構(gòu)建預(yù)警模型，剩余30%（153 例）作為驗(yàn)證集進(jìn)行內(nèi)部驗(yàn)證。2 組受試者的一般資料無統(tǒng)計(jì)學(xué)差異（P＞0.05），具有可比性，詳見表1。本研究對(duì)象均知情同意、自愿配合，且研究獲得我院倫理委員會(huì)的批準(zhǔn)。

表1 2 組受試者一般資料比較

2.1.2 研究方法

受試者穿戴尺碼合適的置有新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的平底鞋，按照日常步態(tài)平地直線行走1 min即完成測試。測試過程中，受試者不能接受任何軀體的幫助，但須密切注意并保證行走安全。新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊會(huì)記錄整個(gè)測試過程中的雙足底壓力參數(shù)，并將其同步傳輸至數(shù)據(jù)庫，通過跌倒風(fēng)險(xiǎn)預(yù)警模型進(jìn)行跌倒風(fēng)險(xiǎn)分析，最終輸出結(jié)果。

2.1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 20.0 軟件對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)數(shù)資料用n 表示，采用卡方檢驗(yàn)進(jìn)行組間比較；計(jì)量資料用±s 表示，采用獨(dú)立樣本t 檢驗(yàn)進(jìn)行組間比較。以P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。采用ROC 曲線對(duì)新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的擬合效果進(jìn)行檢驗(yàn)，并用驗(yàn)證集進(jìn)行模型效能評(píng)估。采用混淆矩陣并根據(jù)準(zhǔn)確率、敏感度、特異度來評(píng)估跌倒風(fēng)險(xiǎn)預(yù)警模型的性能。其中準(zhǔn)確率為正確分類的樣本數(shù)量與總測試樣本數(shù)量的比值，計(jì)算方法如下：

式中，TP 指實(shí)際發(fā)生了跌倒，模型檢測到跌倒風(fēng)險(xiǎn)；FP 指實(shí)際未發(fā)生跌倒，但模型檢測到跌倒風(fēng)險(xiǎn)；FN 指實(shí)際發(fā)生了跌倒，但模型沒有檢測到跌倒風(fēng)險(xiǎn)；TN 指實(shí)際未發(fā)生跌倒，模型也沒有檢測到跌倒風(fēng)險(xiǎn)。敏感度表示跌倒風(fēng)險(xiǎn)檢測能力，特異度表示將其他風(fēng)險(xiǎn)與跌倒風(fēng)險(xiǎn)區(qū)分開的能力，計(jì)算方法如下：

2.2 效能分析

2.2.1 ROC 曲線評(píng)估新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊預(yù)測能力結(jié)果

新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊預(yù)測跌倒風(fēng)險(xiǎn)的ROC曲線如圖5 所示。新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊預(yù)測跌倒風(fēng)險(xiǎn)的AUC 值為0.641（95%CI：0.833～0.917，P＜0.001），敏感度為87.2%，特異度為76.9%，提示新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的預(yù)警效能較佳。

圖5 新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊預(yù)測跌倒風(fēng)險(xiǎn)的ROC 曲線

2.2.2 混淆矩陣評(píng)估跌倒風(fēng)險(xiǎn)預(yù)警模型預(yù)測準(zhǔn)確率結(jié)果

使用混淆矩陣對(duì)跌倒風(fēng)險(xiǎn)預(yù)警模型進(jìn)行評(píng)估，將跌倒風(fēng)險(xiǎn)預(yù)警模型預(yù)測的跌倒風(fēng)險(xiǎn)結(jié)果與患者跌倒史進(jìn)行對(duì)比，跌倒風(fēng)險(xiǎn)預(yù)測的準(zhǔn)確率為79.6%，詳見表2。該預(yù)警模型預(yù)測跌倒風(fēng)險(xiǎn)的敏感度和特異度分別為77.6%和80.5%，提示跌倒風(fēng)險(xiǎn)預(yù)警模型的預(yù)警效能較佳。

表2 跌倒風(fēng)險(xiǎn)預(yù)警模型預(yù)測跌倒風(fēng)險(xiǎn)結(jié)果 單位：例

3 討論

3.1 建立新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的運(yùn)動(dòng)生物力學(xué)依據(jù)及臨床意義

步行是在人體多種器官及肌肉的協(xié)同作用下所共同完成的一項(xiàng)最基本的運(yùn)動(dòng)形式，步行能力也是老年人獨(dú)立活動(dòng)和實(shí)現(xiàn)生活自理的基本保障。隨著年齡的增長，老年人的步行能力逐步下降，經(jīng)統(tǒng)計(jì)，全球每年大約有1/365 歲以上的老年人至少發(fā)生過1 次跌倒，其中約有53%的老年人是由行走或者坐起到站立過程中不穩(wěn)定造成的[11]。老年人跌倒的危險(xiǎn)因素主要有平衡維持能力下降、反應(yīng)速度變慢、下肢肌力減弱、日常獨(dú)立活動(dòng)能力降低等[21]，而這些危險(xiǎn)因素又集中體現(xiàn)在步態(tài)變化上[22]。人體足底壓力分布作為一個(gè)能反映有關(guān)足的結(jié)構(gòu)、功能及整個(gè)身體姿勢控制等情況的綜合性參數(shù)，常被用于研究特殊人群（如孕婦、老年人、腦癱患兒等）的步態(tài)特征[23]。研究表明[24-25]，步態(tài)特征與老年人的跌倒有關(guān)，步態(tài)評(píng)估是檢測老年人跌倒風(fēng)險(xiǎn)的有效方法。還有研究指出，有跌倒史的老年人群的足底壓力分布參數(shù)以及行走時(shí)的穩(wěn)定性與無跌倒史的老年人群相比均有較大的差異[26]。因此，對(duì)易跌倒老年人群的足底壓力數(shù)據(jù)進(jìn)行定量研究，繼而進(jìn)行跌倒風(fēng)險(xiǎn)評(píng)估，對(duì)于預(yù)防老年人跌倒、制訂有效的干預(yù)措施有重要意義。本研究針對(duì)人體運(yùn)動(dòng)生物力學(xué)的特點(diǎn)，通過構(gòu)建基于足底壓力參數(shù)的跌倒預(yù)警模型，設(shè)計(jì)出一款便攜、有效的新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊，這為未來小型化、智能化、個(gè)性化隨身健康監(jiān)護(hù)設(shè)備的研制提供了思路。

3.2 新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊預(yù)警效果良好

足底壓力的檢測與分析在國內(nèi)已經(jīng)成為了生物力學(xué)研究領(lǐng)域的一項(xiàng)成熟技術(shù)[12]。足底壓力檢測和分析系統(tǒng)的開發(fā)，使人體在各種姿勢體位和運(yùn)動(dòng)狀態(tài)下的力學(xué)參數(shù)和機(jī)能參數(shù)易于獲得，以此來反映人體足部的結(jié)構(gòu)、功能以及整個(gè)身體姿勢的控制情況。而現(xiàn)有的足底測力板存在體積大、使用不便、成本高等問題。本研究從成本、功耗、體積、實(shí)用性等多角度進(jìn)行考慮，設(shè)計(jì)了以無線傳感器為核心的新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊。本跌倒風(fēng)險(xiǎn)預(yù)警鞋墊可同時(shí)實(shí)現(xiàn)對(duì)11 個(gè)點(diǎn)位的足底壓力數(shù)據(jù)采集，并可通過ZigBee實(shí)現(xiàn)傳感器數(shù)據(jù)的無線傳輸。而且本跌倒風(fēng)險(xiǎn)預(yù)警鞋墊具有體積小、質(zhì)量輕的特點(diǎn)，可以嵌入到平底鞋內(nèi)部，老年人只要穿著置有跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的平底鞋，即可在行走過程中實(shí)時(shí)、便捷、準(zhǔn)確地探測到其足底壓力變化。新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊的預(yù)測結(jié)果顯示，AUC 值為0.641，敏感度為87.2%，特異度為76.9%，提示本鞋墊對(duì)跌倒風(fēng)險(xiǎn)具有較強(qiáng)的預(yù)警能力。當(dāng)某些區(qū)域壓力異常、雙足相同區(qū)域足底壓力超出對(duì)稱或均衡閾值時(shí)，則提示該老年人的平衡能力存在隱患[27]，因此可針對(duì)老年人進(jìn)行早期個(gè)性化跌倒預(yù)警干預(yù)。

4 結(jié)語

本文研制了一種可對(duì)足底壓力進(jìn)行測量并分析的新型跌倒風(fēng)險(xiǎn)預(yù)警鞋墊，通過ZigBee 實(shí)現(xiàn)了傳感器數(shù)據(jù)的傳輸，并利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)分析，能通過獲取足底異常壓力數(shù)據(jù)，對(duì)跌倒風(fēng)險(xiǎn)進(jìn)行評(píng)估，以及時(shí)提醒老年人采取跌倒預(yù)防措施，從而降低跌倒發(fā)生率。本鞋墊造價(jià)低、實(shí)用性強(qiáng)，為其廣泛應(yīng)用奠定了基礎(chǔ)。但人體作為一個(gè)復(fù)雜的運(yùn)動(dòng)系統(tǒng)，單靠壓力傳感器并不能捕獲全部的運(yùn)動(dòng)情況。下一步將通過集成更多類型的傳感器，并進(jìn)行大量、多類別的步態(tài)實(shí)驗(yàn)，獲取更加全面的運(yùn)動(dòng)數(shù)據(jù)，以利于復(fù)雜運(yùn)動(dòng)行為的分析和處理。