本发明属于康复医学防护技术领域，尤其是涉及一种老年人平衡能力评定方法。
背景技术：
据世界卫生组织（WHO）统计，世界上每年都有大约424000例死亡与跌倒行为直接相关，跌倒是世界上造成意外伤害死亡的第二大原因（仅次于交通事故）。研究表明，在65岁以上的老年人中，每年有跌1次或多次跌倒经历的比例高达1/3,其中20—30%的老人在跌倒事件中会造成擦伤、髋部骨折、头部外伤等，并随着年龄的增加而增加。在美国，每年用于跌倒的医疗总费用超过200亿美元。我国目前有约1.3亿的老年人,每年约有2000万老年人至少发生共计2500万次跌倒事故,直接医疗费用超过50亿人民币。由此可见，跌倒成为了威胁老年人生命安全和增加社会负担的重要因素。
在老年人的跌倒行为中，其中约有53%是由于在行走或者坐起-站立过程中不稳定造成的。其危险因素主要有维持平衡能力下降、反应速度变慢、下肢肌力减弱、日常独立活动能力降低等，而这些因素又集中体现在步态变化上。可以说，造成老人摔倒的本质是人体的平衡能力下降和下肢肌肉功能受损。
平衡是指身体不论处在何种位置都能保持最大程度稳定的一种姿态，以及在运动或受到外力作用时能自动调整并维持姿势的一种能力。老年人身体平衡功能评定包括静态平衡能力、姿势控制能力和动态平衡能力评定。静态平衡能力评定包括双脚并拢站立、双脚前后位站立、闭眼双脚并拢站立及不闭眼单腿站立4个项目，根据保持姿势的时间长短分为0-2共3个等级，满分8分，保持姿势时间越长，得分越低，提示静态平衡功能越好。姿势控制部分有4个项目，包括由站立到坐下，由坐姿到站立，由站位到蹲下及由下蹲姿势到站立，按动作完成质量和难度评分，满分8分，得分越低，提示控制姿势能力越好。在评定动态平衡能力时，实验者在平地上直线行走10米后转身再走回原点，根据起步、步高、步长、脚步的匀称性、步行的连续性、步行的直线性、走动时躯干平稳性及走动时转身完成动作质量进行评分，分0-1共2个等级，满分8分，得分越低表示平衡及步行能力越好。总之，中国卫生部建立的平衡能力测试评分标准为：得分为0分提示平衡能力好；得分在1至4分之间提示老年人平衡能力降低，跌倒风险增大；得分在5至16分之间表示平衡能力受到较大的削弱，跌倒风险较大；得分在17～24分之间提示老年人具有高跌倒风险。利用平衡能力测试对老年人群进行评分，分为正常组、低风险组、中等风险组、高风险组共4组。
人体的足部结构、功能及对整个身体的姿势控制能力等可由足底压力分布体现出来，常被用来研究特殊人群（如孕妇、老年、脑瘫患儿等）的步态特征。有限的研究已经证实，有跌倒史的老年人群的足底压力分布参数以及行走时的稳定性都有较大的差异。因此，对坐起-行走时老年人群的足底压力数据做定量研究，对于预防老年人跌倒，制定有效的干预措施，以及相关诊断均有重要意义。
坐起-行走是平时生活中最常出现的动作之一。人体完成由臀部和双脚三点支撑的坐位状态，过渡到双脚站立继而迈步行走的状态，呈现出有序的姿势改变。对于下肢功能不断衰弱的老年人而言，坐起-行走过程中常会发生跌倒，严重的会引起骨折等并发症。国际上常用坐下、站起及行走这样日常动作来评价受试者的下肢肌肉能力。通过这个方法对老年人移动能力进行测试，结果表明不但能够定量反映患者的平衡能力和综合移动能力，而且不需要特殊的设备和训练。
相近似的实现方案：
1）背部支撑减重波浪方式平衡评定训练方法
中国专利200910197351.5提供了一种背部支撑减重状态下,患者主动移动身体重心,使双下肢用力中心沿波浪轨迹运动时维持站立平衡能力的评估及训练方法。该方法通过一套背部支撑减重波浪方式平衡评定训练系统实现,系统硬件包括训练床、控制箱、主控计算机、患者用显示装置和主显示屏；训练床的倾斜角度可以调节,训练床的一端设有左右脚踏板组件,左右脚踏板组件上分别设有足底压力传感装置。
2)一种人体平衡评定及训练系统
中国专利201220058477.1公开了一种人体平衡评定及训练系统，包括计算机和用于测量人体压力波动信号的测试装置，测试装置的信号输出端通过信号处理电路连接计算机的信号输入端。本发明设置有由四个压敏传感器组构成的测试装置，用于分别测量人体四个支持点（即人体双脚脚趾和脚跟）处压力波动信号，并将采集到的信号通过计算机进行综合分析判断，得出患者目前的平衡状况。
但是在以往测定或分析人体平衡能力的压力数据采集中，通常只测足底压力数据，且大多仅仅在站立状态下测试，难以客观分析老年人的动态平衡能力，也未见专门到社区采集多名老年人“足底压力+坐垫压力”数据并给出具体计算过程的分析方法。对于采集到的信息进行处理，还没有发现用样本熵来分析不同类别的老年人群的足底压力和力矩数据。先前的研究方法大都是提取一个或者几个重要的数据点来反映不同类别人群的生物力学特性，这些线性特征容易受到噪声的影响，抑制了时域演化结构，难以对老年人的跌倒风险进行客观评估。
技术实现要素：
本发明的目的是针对上述问题，提供一种利于对老人动态平衡进行评价的老年人平衡能力评定方法。
为达到上述目的，本发明采用了下列技术方案：本老年人平衡能力评定方法，其特征在于，本方法包括以下步骤：
A.根据老年人平衡能力测试量表对实验对象进行分组，分为正常组、低风险组、中等风险组和高风险组共四组，通过足底压力分布检测系统检测老人坐起时足底压力分布，通过坐垫传感器检测老人坐起时的坐垫压力；
B.老人行走在三维测力台上，通过三维测力台获取老年人行走时步态的运动学参数，运动学参数包括足垂直方向的压力和力矩、足前后方向的压力和力矩、足内外侧方向压力和力矩；
C.对坐起时和行走时的足底压力和力矩的样本熵进行统计分析，找出各变量样本熵间相关关系的显著性差异,得出客观评价标准；
D.将该客观标准应用于对其他老年人的平衡能力的评定。
在上述的老年人平衡能力评定方法中，在步骤B中，分别采集和分析老年左足和右足足底压力和力矩数据。
在上述的老年人平衡能力评定方法中，在步骤B中，三维测力台的四个角上设有四个三维压力传感器，所述的三维压力传感器能够检测行走过程中左足内外侧方向足底压力LFx、行走过程中左足内外侧方向足底压力矩LMx、行走过程中左足前后方向足底压力LFy、行走过程中左足前后方向足底压力矩LMy、行走过程中左足地面垂直方向作用力LFz、行走过程中左足地面垂直方向作用力矩LMz、行走过程中右足内外侧方向足底压力RFx、行走过程中右足内外侧方向足底压力矩RMx、行走过程中右足前后方向足底压力RFy、行走过程中右足前后方向足底压力矩RMy、行走过程中右足地面垂直方向作用力RFz、行走过程中右足地面垂直方向作用力矩RMz。
在上述的老年人平衡能力评定方法中，在步骤A中，足底压力分布检测系统能够检测坐起过程中左足地面垂直方向作用力LF、坐起过程中右足地面垂直方向作用力RF。
在上述的老年人平衡能力评定方法中，在步骤C中，样本熵的计算方法如下：
给定一个标准化的时间序列{x(j)；1≤j≤N}，其中N是序列数据点的个数。
第一步，构建长度为m的子序列（即模板向量）Xm(1)，Xm(2)，…，Xm(N-m)，其中Xm(i)＝{x(i+k)；0≤k≤m-1}；m为子序列的长度（即嵌入维数）。
第二步，计算向量Xi和任意向量Xj之间的距离：
d(Xm(i)，Xm(j))＝max{|x(i+k)|；0≤k≤m-1，1≤i，j≤N-m，i≠j}.
第三步，计算任意向量Xi和任意向量Xj的相似概率：
其中ni(m，T)是和向量Xi相似的向量的数目，其中相似定义为d(Xi，Xj)≤T，即Xi和Xj之间的距离小于T。T为指定的阈值（也称为容忍度）。如果向量Xi和Xj之间的距离小于T，则与向量Xi相似的向量的计数增加1。在以上的相似匹配计数中，不包括向量的自我匹配计数。
第四步，计算平均概率：
第五步，嵌入维数增加1，重复前面四步计算
第六步，计算样本熵：
为了计算足底压力各个测度变量的样本熵值SampEn(N,m,T)，首先需要选择合适的N、m和T值。
在上述的老年人平衡能力评定方法中，在步骤C中，统计分析方法：Kruskal-Wallis检验左足、右足及左右足足底压力和力矩变量间的统计特性差异，分别列出左足、右足及左右足足底压力和力矩变量间的Spearman相关系数和对应的p值。
在上述的老年人平衡能力评定方法中，在步骤D中，所述的客观评定标准包括左足在内外侧方向的足底压力LFx、行走过程中左足在前后方向的足底压力LFy、行走过程中左足在垂直方向上的足底压力LFz、行走过程中右足在前后方向上的足底压力RFy、行走过程中右足在垂直方向上的足底压力RFz、行走过程中右足在内外侧方向上的力矩RMx。
在上述的老年人平衡能力评定方法中，在步骤D中，对其他老人的LFx、LFy、LFz、RFy、RFz和RMx进行检测，对比客观评定标准，对老人进行平衡能力评定。
与现有的技术相比，本老年人平衡能力评定方法的优点在于：通过采集老年人坐起-站立时的压力数据变化，并通过三维测力台获取老年人行走时步态的运动学参数（垂直、前后、内外侧方向的压力和力矩），对足底压力和力矩的样本熵进行统计分析，找出各变量样本熵间相关关系的显著性差异，对坐起-行走时老年人群的足底压力数据做定量研究，能够对老人的动态平衡进行评价，对于预防老年人跌倒，制定有效的干预措施，以及相关诊断均有重要意义。
具体实施方式
所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本方案的某次实际验证在马连洼社区（北京老年人口比例最高的社区之一）进行，共有128个实验对象参与实验。根据老年人平衡能力测试评分得到55个正常者，49个低风险者，23个中等风险者，1个高风险者。每个实验者都被医生检查，检查结果都写入病历报告中，其包括：年龄，体重，跌倒史，用药史，相关病史及感觉障碍程度等。通常，诱发老年人健康摔倒除了平衡与步态问题之外，过去一年跌倒的次数、身体所患疾病数和视力下降等因素都会增加老年人跌倒风险。在128个实验对象中，有14个实验者要么在过去一年跌倒次数不小于3次，要么身体所患疾病数目不小于4个，要么视力水平较低。毫无疑问，这14个实验对象自动归为高风险组。不同老年人群的基本人口特征如表1所示。
表1不同老年人群的基本人口特征
样本熵被用来分析不同老人群的足底压力和力矩在足内外侧、前后和垂直分量的复杂性和规整性。被分析的分量为坐起-行走过程中步态的运动学参数，包括足底压力和力矩，其缩写列出在表2中。在计算样本熵前，各个变量的时间序列通过减去其均值再除以其标准差，得到归一化后均值为0，标准差为1的时间序列。
表2足底压力和力矩变量缩写列表
采用OR6-7三维测力台获取老年人行走时步态的运动学参数。三维测力台可分别测定垂直方向、前后方向、内外侧方向的压力和力矩。在行走过程中，老年人前后侧方向的压力用于加速或减速，水平方向的压力用于保持身体平衡，若内外侧方向受力较大，说明走路时左右晃动。而垂直方向的压力用于支撑身体，若足底压力趋于平稳，说明老年人在步行时有缓冲动作不充分，存在拖拖拉拉的现象。采用MatScan@平板测试系统获取老年人在坐-起过程中的足底压力数据。平衡能力差的老年人完成坐起到站立动作所需要的时间长，足底压力趋于平稳，说明老年人表现出保守的动作姿势，以降低跌倒发生的风险。
样本熵是度量时间序列信号复杂性的检测方法。在实际应用中，线性特征往往是提取原始数据的一个或者几个重要的数据点，这些特征容易受噪声的影响。样本熵不需要对原始序列进行粗粒化，对噪声并不敏感，可以用来量化时间序列信号，得到稳健的估计值，具有优秀的分析效果。
在本技术方案中，计算样本熵的步骤如下：
给定一个标准化的时间序列{x(j)；1≤j≤N}，其中N是序列数据点的个数。
第一步，构建长度为m的子序列（即模板向量）Xm(1)，Xm(2)，…，Xm(N-m)，其中Xm(i)＝{x(i+k)；0≤k≤m-1}；m为子序列的长度（即嵌入维数）。
第二步，计算向量Xi和任意向量Xj之间的距离：
d(Xm(i)，Xm(j))＝max{|x(i+k)|；0≤k≤m-1，1≤i，j≤N-m，i≠j}.
第三步，计算任意向量Xi和任意向量Xj的相似概率：
其中ni(m，T)是和向量Xi相似的向量的数目，其中相似定义为d(Xi，Xj)≤T，即Xi和Xj之间的距离小于T。T为指定的阈值（也称为容忍度）。如果向量Xi和Xj之间的距离小于T，则与向量Xi相似的向量的计数增加1。在以上的相似匹配计数中，不包括向量的自我匹配计数。
第四步，计算平均概率：
第五步，嵌入维数增加1，重复前面四步计算
第六步，计算样本熵：
为了计算足底压力各个测度变量的样本熵值SampEn(N,m,T)，首先需要选择合适的N、m和T值。
其中，参数m是嵌入参数。参数T是有效阈值，也称为容忍度。子序列的匹配计数随着长度为m和m+1的增加，样本熵的准确性和置信水平会随之增加。小的m值和大的T值将会增加匹配计数。然而，随着T的增加，匹配概率将会趋近1，这样量化的样本熵值将失去鉴别能力；随着m的减少，计算出的样本熵也不能反映基本的物理过程。这样用SampEn(N,m,T)来分析时间序列，就会丢失许多详细信息。文献[9]和[10]中的方法被用来确定m和T的值。在一般情况下，m可以取值1或者4，T在0.1SD～0.25SD之间能估计出比较有效的统计特性[11]。实际应用中m优先选择2，T选择0.25SD（SD是原始数据的标准偏差）。
参数N是原始数据长度。样本熵适合于处理序列长度介于100到5000之间，这样会得到更好的统计分析效果。在本试验中，单个足底压力序列的数据点的个数为200。
对足底压力和力矩应用非参数Kruskal-Wallis检验以发现我们所评价的四类老年人群的足底压力和力矩分量是否具有统计特性差异。而为了研究左右足各个变量之间的样本熵的关系，进行Spearman相关分析，如果相关系数|r|≥0.75，则认为两个变量高度相关；如果相关系数0.25≤|r|≤0.75，则认为两个变量中等程度相关；如果相关系数|r|<0.25，则认为两个变量弱相关[13]。
对于左右足对应的变量，如果相关性不高，且Kruskal-Wallis秩和检验的统计特性不同，则左右足的足底压力和力矩数据应该分开收集和处理。对于同侧足的不同变量间，如果相关性高，而且组间差异显著，则其中之一可被用来进行评估。所有的统计分析用MATLAB完成，p<0.05被认为统计显著。
表3，表4和表5分别列出左足、右足及左右足足底压力和力矩变量间的Spearman相关系数和对应的p值。左足的各个变量间的样本熵的关系如下：坐起过程中左足地面垂直方向作用力（LF）与行走过程中左足的各个变量都是弱相关；行走过程中，垂直方向的足底压力（LFz）和内外侧方向的力矩（LMx）高度相关（r=0.78，p=0.00）；其他变量间是中等程度相关。右足各个变量间样本熵关系和左足具有相似的相关性：坐起过程中右足地面垂直方向作用力（LF）与行走过程中右足的各个变量都是弱相关；行走过程中，垂直方向的足底压力（RFz）和内外侧方向的力矩（RMx）高度相关（r=0.77，p=0.00）；前后方向的力矩(RMy)和垂直方向的力矩（RMz）弱相关（r=0.16，p=0.02）。
行走过程中的左右足对应变量间呈现中等程度相关；坐起过程中左足地面垂直方向作用力（LF）与行走过程中右足的各个变量都是弱相关；且坐起过程中右足地面垂直方向作用力（RF）与行走过程中左足的各个变量也都是弱相关。而坐起过程中左足地面垂直方向作用力（LF）和右足地面垂直方向作用力（RF）是中度相关（r=0.57，p=0.00）。
表3左足各个足底压力和力矩变量的样本熵的Spearman相关系数
表4右足各个足底压力和力矩变量的样本熵的Spearman相关系数
表5左右足足底压力和力矩相应变量的样本熵的Spearman相关系数
表6列出了正常组、低风险组、中等风险组和高风险组中各个变量的样本熵的均值、标准差和Kruskal-wallis检验结果。在四组老年人群中，存在显著性差异的变量有：行走过程中左足在内外侧方向的足底压力（LFx，p=0.049），行走过程中左足在前后方向的足底压力（LFy，p=0.025）,行走过程中左足在垂直方向上的足底压力（LFz，p=0.036），行走过程中右足在前后方向上的足底压力（RFy，p=0.043），行走过程中右足在垂直方向上的足底压力（RFz，p=0.006），行走过程中右足在内外侧方向上的力矩（RMx，p=0.041）。其他变量在四组老年人群中都没有显著性差异。
表6正常组、低风险组、中等风险组和高风险组中各个变量的样本熵的均值、标准差和Kruskal-wallis检验结果
用样本熵来量化正常组、低风险组、中等风险组和高风险组在坐起-行走过程中足底压力和力矩各个方向的分量，以发现不同组别间各个分量是否具有统计特性。根据前面描述的结果，可以得到如下结论：1）根据老年人平衡能力测试量表对实验对象进行分组，分为正常组、低风险组、中等风险组和高风险组共4组。用样本熵量化老年人足底压力和力矩的时间序列数据，其中的参数r取0.2，m取2。
2）左脚和右脚的相关变量的样本熵的统计特性不同。因此在采集和分析老年热足底压力和力矩数据时应该分开处理。
3）以下变量的样本熵在不同组别间存在显著性差异：行走过程中左足在内外侧方向的足底压力（LFx，p=0.049），行走过程中左足在前后方向的足底压力（LFy，p=0.025）,行走过程中左足在垂直方向上的足底压力（LFz，p=0.036），行走过程中右足在前后方向上的足底压力（RFy，p=0.043），行走过程中右足在垂直方向上的足底压力（RFz，p=0.006），行走过程中右足在内外侧方向上的力矩（RMx，p=0.041）。
以上结果可以应用到老年人身体平衡功能评估中，形成一套客观的老年人跌倒风险评估方法与系统，自动分类或者指导老年人有针对性提高平衡能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。