使用机器学习算法识别跌倒风险的制作方法

本申请是2016年6月29日提交的申请号为201680039095.5的同名专利申请的分案申请。

本公开涉及机器学习算法。更具体地，本公开的部分涉及应用机器学习算法来确定患者平衡或识别患者跌倒风险。

背景技术：

在美国人口中，意外跌倒导致每年超过3万人死亡。老年人最容易跌倒，因此遭受每年有超过30万的髋部骨折。在髋部骨折的患者中，有50％的人再也回不到家中。导致这些跌倒事件的不良平衡常常在跌倒事件之前几十年下降，但是解决不良平衡的常规方法是在跌倒发生或者患者具有非常严重的平衡问题之后才寻求医学诊断和干预。事实上，当前对跌倒的最好预测是人是否已经跌倒。

为了真正改进全国的跌倒统计，应该在第一次跌倒之前执行预防性干预。平衡与其他身体性能类似，可以通过练习改进，反之则会随着废用而恶化。众所周知，许多生活方式和健康因素(例如，运动、力量、睡眠、认知功能、维生素d补充和用药管理)影响个人的平衡。改变生活方式以改进平衡需要一些时间来建立其保护效果。测量平衡和跌倒风险提供了机会来检测健康和生活方式调整时可能发生的微妙的平衡变化。

人类平衡控制系统是非常复杂的，利用三个或更多个感觉输入，创建运动输出的指令集合，每一个都具有受潜意识和有意识控制、经验、背景和个性所影响的不同策略。关于跌倒的情况进一步复杂化，因为跌倒的来源可能来自众多的内在和外在因素。因此，单独用一种对平衡的基本测量手段来预测跌倒是不够的。机器学习技术针对人类平衡控制系统提供的额外的洞察力和预测能力可以便于更准确地预测跌倒。

美国专利no.8,011,229中讨论了一种这样的机器学习方法。'229专利使用隐马尔可夫模型技术以用于通过根据压力中心(cop)数据识别不同的姿势状态来确定姿势稳定性。cop是来自2个或更多个压力或负载传感器的组合压力的中心位置。姿势状态与静态或动态的分类有关。如名称所暗示的，静态姿势状态被定义为cop数据内的停留区域，其中摆动受限于单一平衡。当人们处于静止状态时，他们的身体摆动被认为是在控制之下，并且人们更加平衡且不太可能跌倒。动态姿势状态被定义为不受任何平衡约束的cop数据的部分，并且根据定义不受约束或不受控制。当人们处于动态状态时，他们被认为是“避开”平衡，并且正在移动到另一平衡或跌倒。静态和动态姿势状态便于评估以前没有记载的姿势稳定性，定义新的姿势控制模型：间断平衡模型(pem)。pem被定义为由动态轨迹标出的稳定时段。姿势状态的pem分类特别适用于对稳定性的实时或接近实时评估。然而，量化姿势状态的后续度量便于确定沿着更长时间线的不稳定性趋势。pem中的姿势不稳定性的测量被识别为：平衡数量、平衡停留时间和平衡的大小。

pem方法有许多优点。首先，该技术对统一数据进行分类，识别稳定区域和动态轨迹，后者被视为不稳定的。描述阈值函数以识别用户所处的姿势状态，无论是用于实时识别还是长期检测姿势不稳定性。此外，该方法创建了对稳定性的相对测量，其与高度和重量、脚的位置或已知的稳定边界无关地进行创建。

虽然上述方法改进了对姿势稳定性的认识，但通常理解的是，跌倒的多因子性质意味着难以实现对落在实时和接近实时范围外的跌倒进行预测。尽管发展到目前，但仍然需要改进姿势稳定性表示。

技术实现要素：

确定患者的跌倒风险仍然是具有挑战性的任务。传统的跌倒风险指标是个人以前是否跌倒。传统的跌倒风险评估测试将个人置于危险之中，例如通过将个人置于具有挑战性的位置，并判定其在该位置的稳定性。然而，测试的负面结果是跌倒，因此测试与传统的跌倒风险指标没有什么不同。pem方法可以用于确定患者的跌倒风险。机器学习算法可以用于识别度量和指示个体的跌倒风险的原始数据的组合。由于pem方法不会将个体置于危险的位置，因此可以评估个体的跌倒风险，而对个体几乎没有危险。

根据本发明的实施例，提供了一种用于平衡和跌倒风险测量和分析的改进方法，其包括以下步骤：从至少两个或更多个传感器获取负载数据点，针对每一个数据点计算压力中心(cop)，并且基于计算出的cop使用机器学习算法以用于对跌倒风险进行分类。本发明的实施例包括隐式马尔可夫模型作为机器学习算法。然后该方法可以包括计算当前姿势状态、下一姿势状态和度量范围。度量可以包括基本间断平衡模型(pem)度量中的至少一个，以及一组高级pem稳定性度量中的至少一个：到第一平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间，以及方向平衡。

根据本发明的一些实施例，提供了一种用于平衡和跌倒风险测量和分析的改进方法，其包括以下步骤：计算当前姿势状态、下一姿势状态，以及集成度量的范围。度量可以包括基本pem稳定性度量中的至少一个，以及一组高级pem稳定性度量中的至少一个：到第一平衡的时间、平衡距离、平衡重叠、平衡百分比、平均平衡持续时间，以及方向平衡，以及cop基本度量中的至少一个。来自基本pem稳定性度量、高级pem稳定性度量和基本度量中的每一个的至少一个度量的集成可以使用几种可能的人工智能技术之一以用于确定最终平衡分数和跌倒风险。这些方法包括：使用主成分分析、贝叶斯分类、神经网络或基于深度学习的策略，以及svm(支持向量机)。在一个实施例中，集成模型是稳定性度量的线性组合，其包括来自基本pem稳定性度量、高级pem稳定性度量和基本度量中的每一个的至少一个度量。将度量转换为1到10等级的参数分数，并将复合平衡分数计算为度量的加权平均。综合平衡分数的范围也可以从1到10。可以将阈值分配给平衡分数以用于分类患者。

在一些实施例中，可以通过容纳负载传感器的系统以及捕获和发送负载数据并因此收集关于人的平衡数据的信号准备模块的系统来辅助跌倒风险的确定。该系统可以是包括两个或更多个负载传感器的标尺，其将负载数据无线发送到移动设备，然后发送到数据分析模块。在一些实施例中，标尺可以通过诸如蓝牙或wi-fi之类的短程通信链路将数据发送到诸如电话、平板计算机或膝上型计算机之类的移动设备，这些移动设备然后通过长程通信链路(例如，通过互联网的广域网(wan))将数据发送到具有数据分析模块的服务器。在一些实施例中，标尺可以通过短程通信链路将数据发送到移动设备，并且移动设备可以包括数据分析模块，并且数据分析模块的结果可以被上传到服务器以用于监视和/或访问数据。移动设备或服务器中的数据分析模块可执行对数据的处理，例如执行机器学习算法并计算平衡分数和跌倒风险分类。在一些实施例中，可以将结果显示在系统上以供显示，例如标尺上的led或lcd。

在一些实施例中，系统可以是容纳两个或更多个负载传感器、数据分析模块和用于输出个体的平衡和/或跌倒风险的显示器的设备。该设备可以包括个人可以站立在其上的表面，所述表面包括两个或更多个负载传感器。输入分析模块(例如，被配置为实施用于执行机器学习算法的步骤的处理器)可以处理来自两个或更多个负载传感器的数据，并且生成平衡信息和/或跌倒风险分类。设备的照明构件可以包括led灯，其通过半透明的顶表面照亮，创建表示用户的跌倒风险分类的颜色的发光效果，并且通过顶表面照亮的led数字可以显示平衡分数和重量。表面设备还可以包括信号准备模块，其可以将负载数据、平衡信息、重量和/或跌倒风险信息发送到其他设备，例如移动设备(如移动电话、平板计算机、智能手表、健身手表、健身追踪器、膝上型计算机)或服务器。信号准备模块可以包括用于通过诸如wi-fi或蓝牙之类的短程通信链路或互联网或诸如2g、3g或4g蜂窝通信之类的长程通信链路进行通信以将数据发送到另一计算机的通信装置。

一般而言，本文实施例中描述的技术提供了用于确定人的跌倒风险和/或复合平衡分数的系统和方法。该技术可以由例如老年人、运动员、患者、医生、物理治疗师、护士、宇航员和/或需要评估跌倒风险或姿势稳定性的任何人使用。

上文已经相当广泛地概述了本发明的实施例的某些特征和技术优点，以便可以更好地理解下面的具体实施方式。下文将描述形成本发明的权利要求主题的附加特征和优点。本领域普通技术人员应当意识到，所公开的概念和具体实施例可以容易地用作用于修改或设计用于执行相同或类似目的的其他结构的基础。本领域普通技术人员还应该认识到，这样的等同构造不背离如随附权利要求书中阐述的本发明的精神和范围。当结合附图考虑时，从以下描述中将更好地理解附加特征。然而，要明确理解的是，附图中的每一个仅用于说明和描述的目的，并不意图限制本发明。

附图说明

为了更全面地理解所公开的系统和方法，现在参考结合附图进行以下描述。

图1是示出了传统平衡评估方法的框图。

图2是示出了根据本公开的一些实施例的用于确定基本间断平衡模型(pem)稳定性度量和高级pem稳定性度量的方法的框图。

图3是示出了根据本公开的一些实施例的使用机器学习算法和(压力中心)cop数据来确定跌倒风险的方法的框图。

图4是示出了根据本公开的一些实施例的基于从负载传感器获取的数据来确定平衡分数和跌倒风险分类的机器学习算法的框图。

图5a是如被应用于一个个体的数据的，根据本公开的一个实施例的利用隐式马尔科夫模型技术被分类为间断平衡的压力中心(cop)数据的稳定性图。

图5b是图5a的稳定性图，其中中间外侧峰值摆动(xsway)和前后峰值摆动(ysway)的基本度量叠加。

图6a是示出了根据本公开的一个实施例的通过间断平衡模型(pem)分类的压力中心(cop)数据的稳定性图的数据的图。

图6b示出了根据本公开的一个实施例识别的具有95％椭圆的姿势稳定性的单一平衡模型所表示的与图6a相同的压力中心(cop)数据的相同稳定性图。

图7是示出了根据本公开的一个实施例的具有三个跌倒风险分类的平衡分数的框图。

图8是示出了根据本公开的一个实施例的用于识别跌倒的接收器操作曲线的数据的图。

图9是示出了根据本公开的一个实施例的具有注释的平衡影响者在两年中个人的平衡分数和跌倒风险数据的数据的图。

图10是示出了根据本公开的一个实施例的系统和贯穿系统的数据流的框图。

图11a是示出了根据本公开的一个实施例的与平板计算机通信的平衡设备的透视图。

图11b是示出了根据本公开的一个实施例的与智能电话通信的平衡设备的透视图。

图11c是示出了根据本公开的一个实施例的与基于云的数据分析模块通信的平衡设备的透视图。

图12是示出了根据本公开的一个实施例的标尺平衡设备的分解图。

图13a是示出了根据本公开的一个实施例的负载检测模块的分解图。

图13b是示出了根据本公开的一个实施例的负载检测模块的侧面透视图。

图14a是示出了根据本公开的一个实施例的标尺平衡设备的侧面透视图。

图14b是示出了根据本公开的一个实施例的标尺平衡设备的后面侧视图。

图15是示出了根据本公开的一个实施例的标尺平衡设备和显示器的平面图。

图16a-图16c是示出了基于睁眼患者和闭眼患者的个体度量来评估跌倒风险的结果的图。

具体实施方式

一般而言，本发明的各方面涉及用于确定人的跌倒风险的方法和系统。跌倒风险信息可用于通知人员和/或第三方监视人员(例如，医生、理疗学家、私人教练等)该人的跌倒风险。该信息可用于监视和追踪可能受健康状况、生活方式行为或医疗中的改变影响的跌倒风险的变化。此外，跌倒风险分类可以帮助个人在他们更具有跌倒风险的日子里更加小心。这与防止跌倒的一般准则不同，所述一般准则期望在任何时候提高警惕性和注意力是不切实际的。警告某人其跌倒的风险水平使他们能够在短期内采取行动，例如当跌倒风险水平高时使用手杖，或寻求专业建议以用于改变生活方式，以便长期改进跌倒风险。在一些实施例中，可以在数天、数周和/或数月和针对个体形成的长期预测中收集数据。

图1是示出了利用隐马尔可夫模型(hmm)拉对姿势状态进行分类的传统方法的框图。hmm是时间概率模型，随着时间对一系列状态进行建模。这些状态不是直接可观察的，因此是隐式的。然而，在每一个时间点都有一组可能的观测值，这可能与当时的真实隐藏状态有关。因此，给定一段时间的观测序列，hmm确定最可能的隐藏状态。

常规地，hmm可以根据压力中心(cop)数据对姿势状态进行分类。cop数据可表示来自压力或负载传感器的在一段时间内并且与人相关联的组合压力的中心位置。从至少一个压力传感器获取在一段时间内的压力数据110，并且针对每一个压力数据点计算cop120。hmm计算确定当前和/或下一姿势状态130。hmm利用针对每一个姿势状态的一组概率来确定下一姿势状态140。姿势状态与静态或动态的分类相关。静态姿势状态被定义为cop数据内的停留区域，其中摆动受限于单一平衡。当人们处于静止状态时，他们的身体摆动被认为是在控制之下，并且人们更加平衡和不太可能跌倒。动态姿势状态被定义为不受任何平衡约束的cop数据部分，并且根据定义不受约束或不受控制。当人们处于动态的状态时，他们被认为是“避开”平衡，并且正在移动到另一平衡或跌倒。

静态和动态姿势状态便于姿势稳定性的间断平衡模型(pem)。pem被定义为由动态轨迹标出的稳定时段。警告人们处于瞬间动态并由此危险的状态可以帮助他们立即采取动作，以避免即将发生的跌倒。将来自pem的姿势不稳定性的基础测量识别为：平衡数160、平衡停留时间170和平衡大小180。平衡数160可以包括以时间序列识别的多个平衡。停留时间170可以包括表示在该特定平衡中花费的时间的五边形或其他形状的大小。平衡大小180可以包括平衡中的每一个点到对应平衡中心的平均值(或其他特性，例如均值、最大值或最小值)。

虽然基本间断平衡模型(pem)稳定性度量160、170和180足以确定姿势状态。但是额外的稳定性度量可以改进姿势状态的确定和/或允许确定跌倒风险和/或分类个体的跌倒风险。本发明的实施例使用机器学习技术，例如使用高级pem稳定性度量来利用hmm技术对pem的动态和静态姿态状态进行分类。pem定义了由cop数据序列的动态轨迹所标注的多重平衡。pem方法根据cop数据轨迹创建了定义的区域和几何模式。例如，图2是示出了用于确定高级pem稳定性度量的方法的框图，高级pem稳定性度量包括平衡时间220、平衡距离230、平衡重叠240、平衡百分比250、平均平衡持续时间260、方向平衡270。

在计算高级pem稳定性度量的一个实施例中，在框110处，获取在一段时间内并且与人相关联的来自至少两个负载传感器的数据。可以根据用于每一个负载数据点的负载传感器输入来计算cop数据120。这可以生成cop数据的时间序列。在框130处hmm计算可以用于确定当前和/或下一姿势状态。在框140处，hmm可以使用针对每一个姿势状态的一组概率来确定下一姿势状态。在一些实施例中，hmm计算确定下一状态、当前状态和/或一个或多个过去的状态(例如五个、十个)。姿势状态可以与静态或动态的分类相关。静态姿势状态可以被定义为在cop数据内的停留区域，其中摆动被限制为单个平衡。针对姿势状态的时间序列的分类然后可以允许计算基本pem稳定性度量150以及高级pem稳定性度量210，包括到第一平衡的时间220、平衡距离230、平衡重叠240、平衡百分比250、平均平衡持续时间260以及方向平衡270。在一些实施例中，pem稳定性度量210可以包括到第一平衡的时间(例如，在第一平衡建立之前经过的时间)、平衡距离(例如，平衡中心到相邻平衡中心的平均距离)、平衡重叠(例如，时间序列中平衡95％圆的平衡重叠的百分比)、平衡百分比(例如，在时间序列中花费在平衡中的时间百分比)、平均平衡持续时间(例如，时间序列中平衡的平均持续时间)，和/或方向平衡(例如，通过方向向量到相邻平衡中心从中间外侧x轴的前后偏差的程度的平衡的加权数)。在lieberman等人于2008年11月26日提交的、题目为“determiningposturalstability”的美国专利no.8,011,229中描述了关于确定cop数据、确定姿势状态和确定基本pem稳定性度量的额外细节，该专利通过引用合并于此。

图3是示出了根据本公开的一些实施例的使用机器学习算法和(压力中心)cop数据来确定跌倒风险的方法的框图。用于确定跌倒风险的方法在框310处开始，从至少两个负载传感器获取在一段时间内的负载数据点。然后，在框320处，每个负载数据点可以用来计算压力中心(cop)数据。接下来，在框330处，机器学习算法可以接收cop数据并且计算例如姿势状态。然后，在框340处，可以使用机器学习算法来估计跌倒风险和/或分类跌倒风险。在一些实施例中，可以使用机器学习算法来对姿势状态进行分类，以用于计算后续度量并且在框340处确定跌倒风险阈值。在其他实施例中，机器学习算法可以用于将跌倒风险归类为目标函数，而不管是否先前确定了姿势状态。在一些实施例中，估计出的跌倒风险还可以部分地基于以下中的至少一项：临床记录、锻炼、生活方式输入、体重、身体脂肪组成、体质指数、水合水平、药物消耗、饮酒消耗、睡眠、每天步数、锻炼、坐着花费的时间和/或力量。

图4是示出了根据本公开的一些实施例的用于基于从负载传感器获取的数据来确定平衡分数和跌倒风险分类的机器学习算法的框图。在框320处，针对在一段时间内的每一个负载数据点，根据在框310处接收到的负载数据计算cop。在框430处，利用hmm技术来将姿势状态分类分两个状态：静态和姿态状态。在框440处，hmm可以利用针对每一个姿势状态的一组概率来确定下一姿势状态。可以在框420处根据在框450处计算出的基本pem稳定性度量和高级pem稳定性度量210来确定平衡集成模型。例如，可以部分地基于在框150处计算出的一个或多个基本pem稳定性度量与在框210处计算出的一个或多个高级pem稳定性度量的加权组合来进行平衡分数和/或跌倒风险确定。在一些实施例中，框420的平衡集成模型还可以基于使用若干可能的人工智能技术之一的来自倒立摆模型(ipm)的基本cop度量410。可以在框430处根据框420的平衡集成模型来生成平衡分数和/或跌倒风险分类器。用于确定最终平衡分数的策略包括使用主分量分析、贝叶斯分类、神经网络或基于深度学习的策略、svm(支持向量机)，或者更广泛地监督和无监督的学习方法。除了稳定性度量之外，还可以向人工智能提供原始数据，例如随时间的cop值或随时间的负载值。在神经网络的情况下，可以训练网络(使用来自具有已知跌倒历史的个体的训练数据)以用于识别指示跌倒风险的度量和原始数据的组合。

在一个实施例中，平衡集成模型420可以是稳定性度量的线性组合，包括：与高级pem稳定性度量210中的至少两个和基本cop度量410中的至少两个组合的基本pem稳定性度量450中的至少两个来创建鲁棒的表示。所选择的度量可以用于生成1到10等级的分数，并且对于一些度量，可能需要逻辑函数转换。然后对度量进行加权以优化跌倒风险的分类，在框430处产生平衡分数。

在一些实施例中，该方法可以并入来自不同理论模型的多个输入度量。例如，一个这样的模型是产生基本cop度量410的ipm，所述基本cop度量410描述围绕单个点的摆动。这些度量包括前后cop峰值摆动(例如，时间序列中的最大前后位移)、中间外侧cop峰值摆动(例如，时间序列中的最大中间外侧位移)、中间外侧摆动的标准偏差、前-后摆动的标准偏差、95％圆的半径(例如，包括时间序列中cop数据的95％圆的半径)或椭圆的半径(例如，包括时间序列中cop数据的95％椭圆的半径)、cop的平均速度(例如，时间序列中cop速度的平均值)、均方根速度(例如，时间序列中cop速度的均方根值)，以及高于预定速度的百分比时间(例如，时间序列中高于0.1m/s的时间序列的分数)、时间序列中中间外侧位置的标准偏差(例如，stdcopml)、时间序列中前后位置的标准偏差(例如，stdcopap)。

图5a、图5b、图6a和图6b示出了来自姿势稳定性模型ipm和pem的度量。ipm会产生单个集群的更多总量度量，而pem会产生更精细的度量，因为这些数据已被进一步分类为多个集群。

图5a是如被应用于一个个体数据的，根据本公开的一个实施例的利用隐式马尔科夫模型技术分类为间断平衡的压力中心(cop)数据的稳定性图。x轴是cop中间外侧摆动510，0是左脚，而1是右脚。y轴是cop前后摆动520，其中1是前向，而0是后向。x和y轴与摆动的距离有关。不同的颜色阴影表示不同的定义的平衡，匹配颜色的五边形530覆盖静态平衡的集群区域。五边形的大小表示平衡530的相对大小。五边形越大，人们保持在平衡中的控制就越长。五边形540内的线表示每一个cop点离与其相关联的平衡的平衡中心的平均距离。具有外部黑线的点表示处于动态状态550的点，并且因此不具有平衡或关联的五边形。

图5b是图5a的稳定性图，其中间外侧峰值摆动(xsway)和前后峰值摆动(ysway)的基本度量叠加。x轴510和y轴520与摆动的距离相关。峰值前后峰值摆动570是在最大前摆动和最大后摆动之间的距离。类似地，中间外侧峰值摆动560是在中间外侧方向上最大摆动点之间的距离。这些度量表示中心点附近的偏差，以及摆动偏离中心的距离。

类似地，图6a是示出了根据本公开的一个实施例的由间断平衡模型(pem)分类的压力中心(cop)数据的稳定性图的数据的图。图6b示出了具有根据本公开的一个实施例识别的识别出的95％椭圆的姿势稳定性的单一平衡模型所表示的与图6a相同的压力中心(cop)数据的相同稳定性图。在图6a中，五边形已经被移除，但是分类的区域通过它们不同的灰度610来清楚地表示。这与图6b形成对比，图6b示出了时间序列620的ipm统一表示。95％椭圆包含所有数据点的95％，并且表示总摆动区域630的姿势稳定性。从视觉上看，清楚的看到hmm分类提供了稳定性图的不同元素。来自两种模型(ipm和hmm)的度量可以提供一种更鲁棒和全面的方法，这两种方法都不是隔离创建的。

图7是示出了根据本公开的一个实施例的具有三个跌倒风险分类的平衡分数的框图。综合平衡分数具有从1到10的范围。10是最好的平衡，而1是最不稳定的。跌倒风险的阈值可以在框430中识别出，并且在图7中，如果个人分数为1-3，则将跌倒风险定义为高跌倒风险710，如果个人分数为4-6，则定义为中等跌倒风险720，如果个人分数为7-10，则定义为低跌倒风险730。阈值还可以部分地基于受伤状态、精神状态、认知状态、医学状态、运动状态、健康状态、注意力状态、醉酒状态和/或缺氧状态。

图8是示出了根据本公开的一个实施例的用于识别跌倒的接收器操作曲线的数据的图。该曲线提供了对跌倒风险分类的评估。这些数据基于37个主体，平均年龄为87.09岁，并在一年内有跌倒历史。y轴表示跌倒发生的累积正确肯定识别810，并且x轴表示没有跌倒的累积识别820。pe线830上的点1到10表示复合平衡分数的每个可能分数。没有效果的线840描绘了正面和负面识别的同等水平的理论位置，并由此没有区分能力。最大化高跌倒风险分类710的清楚阈值发生在分数3处850。分数1、2和3的累积产生对跌倒风险正确分类为76％的敏感性，具有假阳性率35％、65％的特异性。从分数7处860以上，识别跌倒的比率最小，因此将以上的部分分类为如图7中所示的低跌倒风险范围730。

此外，分类的输出可能对由生活方式因素造成的微妙的平衡变化是敏感的。图9是示出了根据本公开的一个实施例的具有注释的平衡影响者的两年内个人的平衡分数和跌倒风险数据的数据的图。增加和减少的平衡和跌倒风险的显著时间段与参与者的活动有关。跌倒事件发生在参与者得分低并被正确识别为高跌倒风险710之后。物理治疗(pt)是在跌倒事件之后规定的，并且与平衡分数的升高和跌倒风险的降低一致。利用在参与者的相关联的生活设施中提供的特定平衡分类来维护趋势。这些分类的结束和新年期间锻炼的减少与较低的分数和较高的跌倒风险相关联。这些数据描述了本发明用于量化跌倒风险中的微妙变化并赋予人们对其健康的主动性的值。

系统可以用于确定人的姿势稳定性和跌倒风险。该系统可以包括多个用于以下的部件：捕获负载数据，根据需要处理数据，发送处理后的数据，基于多个平衡相关的度量来执行数据的额外处理以呈现针对所讨论的人的当前平衡和跌倒风险数据、发送数据结果、以及向用户、第三方提供者和/或其他支持人员显示数据以向读者建议该人的姿势稳定性和跌倒风险。

图10是示出了根据本公开的一个实施例的系统和贯穿系统的数据流的框图。该系统包括两个或更多个负载检测模块1020，其收集一段时间内的负载数据。该系统还可以包括容纳于平衡设备1010内的信号准备模块1030，其具有无线传输能力以用于将负载数据传输1070到通信模块1040，并且，根据本发明的一个方面，发送到基于云的数据分析模块1050。信号准备模块1030可以包含模数转换器(adc)、定时器以及用于将负载检测模块1020的输出转换成数字数据值的其他分立或集成部件。信号准备模块1030可以包括任何通用处理器、微处理器、放大器、其他适当配置的分立或集成电路元件以及存储器。存储器可以是任何类型的易失性或非易失性存储介质，包括诸如dram、sram、flash、mram之类的固态设备或用于数据存储的类似部件。信号准备模块1030可以被配置有电路和/或指令，其用于处理来自负载传感器的数据(例如，将模拟信号转换成数字信号或以其他方式解释负载传感器信号)，和/或封装数据以通过网络连接或其他总线(有线或无线)进行传输，例如通过形成用于网络传输的分组或帧或用于usb传输的汇编数据。诸如电池(未示出)之类的电源可以通过用于向负载检测模块1020和信号准备模块1030的电路提供电力的任何合适的布置来附接。

在一个实施例中，通信模块1040可以包括在印刷电路板或其他电子封装技术上的一个或多个集成电路(例如，微控制器等)和/或分立部件。例如，通信模块1040可以包括用于发送和/或接收由信号准备模块1030准备的数据的rf收发机。通信模块1040可以在任何类型的通信链路上发送和接收数据，例如，通信模块1040可以包括使用诸如蓝牙网络之类的rf网络的无线收发机。通信模块1040可以包括认证能力，以限制仅向授权设备传送数据。另外，通信模块1040可以在传输1070之前对数据进行加密，以便防止对信息的未经授权的访问。在一些实施例中，通信模块1040可以包括包含了上述的ic、部件和/或代码的智能电话、智能手表、平板计算机或膝上型计算机。

数据分析模块1050包括可以由数据分析模块1050的处理器执行的指令，所述数据分析模块1050可以是本地的或远程的。在一些实施例中，数据分析模块1050可以耦合到信号准备模块1030以提供能够处理和分析cop数据并显示结果的单个装置。在一些实施例中，数据分析模块1050可以是靠近或远离具有负载传感器的装置的膝上型计算机、桌上型计算机或基于云的机器，使得数据分析模块1050从通信模块1040接收负载传感器数据。即使当数据分析模块1050正从信号准备模块1030接收数据时，通信模块1040仍然可以存在以将平衡分数和/或跌倒风险确定的结果中继到诸如医疗提供者之类的远程位置。

数据分析模块1050可以包括处理器，该处理器被编程为从通信模块1040接收负载数据310或cop数据320，该处理器应用机器学习技术以确定平衡分数和跌倒风险信息。包括hmm的机器学习技术可以在处理器上执行。随后，处理器计算基本pem稳定性度量150(例如，涉及捕获姿势状态的存在的度量)、高级pem稳定性度量210(例如，涉及捕获姿势状态在空间和时间上如何相互关联的度量)，以及基本cop度量410。高级pem稳定性度量可以是除度量160、170、180之外的任何度量。结果可以由处理器本地存储在存储器中，然后被无线地传输1070以用于由显示模块1060或其他显示器显示或进行存储以供稍后取回。计算机程序可以在由数据分析模块1050执行时实现或使用上述实施例中描述的机器学习和平衡集成模型420。模块1020、1040和1050可以集成在单个设备中，或者在两个、三个或更多个设备之间进行划分。

图10还示出了系统和贯穿系统的数据传输的实施例。负载数据是在一段时间内从两个或更多个负载传感器收集的。收集的数据使用处理器进行处理以计算cop。处理器实现机器学习算法，该机器学习算法基于hmm技术来计算基本cop度量410和pem度量，包括基本pem稳定性度量450和高级pem稳定性度量210。处理器集成这些度量以开发平衡输出、跌倒风险输出或两者。数据可以沿着硬连线系统或无线系统进行传输1070。信号准备模块1030、通信模块1040和数据分析模块1050及其相关联的处理器可以位于平衡设备1010中，或者跨越额外的设备，例如平板计算机和云。

在一个实施例中，所收集的负载数据310可以首先在信号准备模块1030中处理。然后，负载数据310被无线地传输1070到通信模块1040，然后到基于云的数据分析模块1050。这些数据在处理器上处理以计算cop320，并随后计算基本cop度量410、基本pem稳定性度量150和高级pem稳定性度量210。处理器集成这些度量以确定跌倒风险和单个平衡分数。结果由处理器本地存储在存储器中，并且结果被无线地传输1070到通信模块1040以用于显示和存储，并且还被发送到平衡设备1010以由显示模块1060用于显示。虽然显示模块1060被显示在平衡设备1010中，但是显示模块1060可以替代地位于系统的另一设备中，例如包括通信模块1040并且与平衡设备1010通信的移动设备。

平衡设备1010可以是任何种类的负载检测平衡和跌倒风险设备，包括标尺、垫、地板、鞋、鞋垫、袜子、步行器、手杖、假肢或机器人腿。通信模块1040可以是任何种类的移动设备、智能手表、智能电话、平板计算机、计算机、基于云的服务和/或数据分析模块。如果通信设备1040是平板计算机，则用户可以在测试期间握住该设备或使其靠近标尺，或者附接到用户前面的墙上。图11a示出了根据本发明的一个实施例的具有平板计算机作为通信模块1040的平衡设备1010的透视图。

如果通信设备1040是智能电话，则用户可以在测试期间握住该设备或使其靠近标尺或附接到用户前方的墙上。图11b示出了根据本发明另一实施例的具有智能电话作为通信模块1040的平衡设备1010的透视图。图11c示出了根据本发明的又一实施例的具有基于云的数据分析模块1050作为通信模块1040的平衡设备1010的透视图。

图12是示出了根据本公开的一个实施例的标尺平衡设备的分解图。在该实施例中，存在两个主要层：顶层1210是玻璃或另一种半透明材料，以及负载壳体1220是底层。负载壳体1220的部件容纳于壳体1250内并固定到顶层1210。脚1260延伸穿过壳体孔1230。在标尺上可以没有外部按钮或开关，但是有数字显示器1240，用作显示模块1060的一部分，可以容纳于壳体1250内。

图13a是示出了根据本公开的一个实施例的负载检测模块的分解图。负载检测模块1020包括负载壳体1220、负载单元1310和脚1260。负载单元1310嵌入到负载壳体1220内。根据本发明的一个实施例，负载壳体1220固定到顶部玻璃层上，并且通过脚1260施加力以使得负载单元1310变形并检测负载变化。

图13b是示出了根据本公开的一个实施例的负载检测模块的侧面透视图。图13b示出了负载检测模块1020的部件：脚1260、负载壳体1220、以及负载单元1310如何配合在一起。

图14a是示出了根据本公开的一个实施例的标尺平衡设备的侧面透视图。图14b示出了平衡设备的一个版本的后视透视图。在该实施例中，壳体1250不完全匹配顶层1210的区域，而是具有部分覆盖的成形壳体1250。

图15是示出了根据本公开的一个实施例的标尺平衡设备和显示器的平面图。显示模块1060可以包括四个至少2英寸长的7段led数字显示器1240和遍及壳体的多个led灯1510，以通过平衡设备1010的半透明顶层1210提供发光照明效果。根据本发明的一个实施例，发光照明提供了在图3的框340处确定出的跌倒风险的指示：红色是高风险710，黄色是中等风险720，而绿色是跌倒的低风险730。照明风险因素的数字显示器1240的大小可以被调整大小以向用户提供它们的结果，而不需要用户弯腰以查看数字显示器1240。

标尺结构中众所周知的标准材料可以用来制作标尺。这可以包括用于壳体1250、负载壳体1220和脚1260的塑料注塑成型，用于通过膜、蚀刻、涂料或这些技术的任何组合制成的半透明的顶层1210的钢化玻璃。

在一个实施例中，平衡测量标尺可以不存在任何外部按钮和开关，从而不需要用户输入。平衡设备1010还包括照明的数字显示器1240，优选至少约两英寸长，其照亮平衡设备1010上的视觉显示模块1060，该平衡设备1010是低剖面的且小于标准步行器轴的宽度。利用来自两种姿势控制模型的一系列度量创建用于平衡和跌倒风险检测的鲁棒的测量系统。其结果是能够睁着眼睛站立，没有干扰者或感官操纵，在安全测试程序期间检测平衡和跌倒风险的能力。此外，复合平衡分数可以将对描述姿势稳定性必要的高度复杂的分析简化为从1到10的单个平衡分数，这易于用户理解。总之，该系统向老年人或任何用户提供了在没有临床医生或助理的情况下无监督地自我检测的能力。

在使用中，用户安装平衡设备1010并采取舒适的站姿，尽可能地保持静止。在平衡设备1010和/或通信模块1040上可能存在通知来指示测试已经开始。在一个实施例中，测试持续时间是60秒。在测试结束时，可能会有通知声音和/或灯光来表示测试完成。可以在平衡设备1010和/或链接的移动设备上显示重量。然后，可以在平衡设备1010和/或链接的移动设备上显示平衡分数。还可以在平衡设备1010和/或链接的移动设备上例如经由照明的显示模块1060显示跌倒风险，其中颜色表示风险分类。

以上本发明的实施例描述了使用机器学习算法和各种度量(例如，基本pem稳定性度量和高级pem稳定性度量)来估计个体的跌倒风险。每一个个体度量(无论是pem还是基本)在被单独查看时，对于检测不稳定性具有有限的区分能力。例如，图16a-图16c示出了针对pem度量的正常对象在睁眼和闭眼条件之间的结果的小的或微小差异，例如图16a中所示的平衡数量，图16b中所示的平衡停留时间，以及图16c中所示的95％置信度摆动椭圆的基本度量。因此，出乎意料的是，当与高级pem稳定性度量(例如，考虑到由hmm生成的姿势状态之间的时间和空间的关系的度量)结合时，相同的度量正确地识别了在对包括自我测试的78名老年人的研究中处于跌倒风险的个体。pem分析的优点是检测到更大的活力，因此可以使用安全的、睁眼站立协议，并且可以进行自我测试而不会使个体置于风险之中。这与通常需要临床医生/操作者准备好接住以治疗跌倒的个体的大多数挑战主体的平衡以暴露弱点的平衡测试形成对比。

图2、图3和图4的示意性流程图通常被阐述为逻辑流程图。这样，所描绘的次序和标记的步骤是指示所公开的方法的各个方面。其他步骤和方法可被设想为在所示方法的一个或多个步骤或其一部分在功能、逻辑或效果上是等同的。另外，所采用的格式和符号被提供来解释该方法的逻辑步骤，并且被理解为不限制该方法的范围。虽然在流程图中可以采用各种箭头类型和线条类型，但是它们被理解为不限制对应方法的范围。实际上，可以使用一些箭头或其他连接符来仅指示方法的逻辑流。例如，箭头可以指示在所示方法的列举的步骤之间的未指定的持续时间的等待或监视时段。另外，特定方法发生的次序可能严格遵守或不严格遵守所示出的对应步骤的次序。

如果以固件和/或软件实现，则上述功能可以作为一个或多个指令或代码存储在计算机可读介质上。示例包括编码有数据结构的非暂时性计算机可读介质以及编码有计算机程序的计算机可读介质。计算机可读介质包括物理计算机存储介质。存储介质可以是可以由计算机访问的任何可用介质。通过示例而非限制的方式，这样的计算机可读介质可以包括随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、压缩盘只读存储器(cd-rom)或其他光盘存储装置、磁盘存储装置或其他磁存储设备，或者可以用于以指令或数据结构的形式存储期望的程序代码并且可以由计算机访问的任何其他介质。盘(disk)和碟(disc)包括压缩碟(cd)、激光影碟、光碟、数字通用光碟(dvd)、软盘和蓝光光碟。一般而言，盘磁性地复制数据，而碟光学地复制数据。上面的组合也应当包括在计算机可读介质的范围之内。

除了存储在计算机可读介质上之外，指令和/或数据可以被提供为包含于通信装置中的传输介质上的信号。例如，通信装置可以包括具有指示指令和数据的信号的收发机。指令和数据被配置为使一个或多个处理器实现本公开中概述的功能。

虽然已经详细描述了本公开和某些代表性的优点，但是应该理解，在不背离由所附权利要求限定的本公开的精神和范围的情况下，可以在此做出各种改变、替换和更改。此外，本申请的范围并非是要被限制为说明书中描述的过程、机器、制造、物质组成、手段、方法和步骤的特定实施例。例如，虽然在整个详细描述中描述了处理器，但是本发明的各方面可以由任何类型的处理器执行，包括图形处理单元(gpu)、中央处理单元(cpu)、数字信号处理器(dsp)、专用集成电路(asic)和/或被配置成执行上述执行指令和方法的固件或软件的其他电路。如本领域普通技术人员将容易从本公开中意识到的，可以利用目前存在或稍后开发的执行基本上与在此描述的对应实施例相同的功能或实现基本上相同的结果的过程、机器、制造、物质组成、手段、方法或步骤。因此，随附权利要求旨在在其范围内包括这样的过程、机器、制造、物质组成、手段、方法或步骤。