今天与大家分享一篇发表在scientific reports上的文章，该研究鉴于xgboost的机器学习方法，利用步态特征预测老年人跌倒风险。
（2）他们在过去六个月内没有肌肉骨骼伤害或神经生理问题的病史。
该项研究总共有746名年龄在63岁到89岁之间的老年人到场了。
本项研究的步态性能测试使用步态分析系统进行评估，包括鞋型数据记录器和嵌入式imu传感器。步态数据是经由过程沿三个正交轴以±6 g的三轴加速度计和±500°s–1的三轴角速度计收集的。
数据采集系统以100 hz的采样频率收集步态数据。每个参与者都有差别尺寸的鞋型数据记录器。每个参与者都有不同尺寸的鞋型数据记录器。
本实验采用了国际体力活动问卷用于评估受试者的习惯性体力活动（pa）程度与代谢当量（mets/周）的关系。
本研究的步态测试在一条20米长的地面直行通道上进行，受试者被要求以三种不同的步态速率进行实验——自我首选速度、较慢速度（首选速度-20%）和较快速度（首选速度+20%）。
在步态性能测试之前，研究人员先使用节拍器（拍/分钟）确定受试者的首选步行速度。参与者被要求用节拍器，根据提供的口头或视觉指示来举行地面行走。在尽可能接近目标较慢和较快步行速度的情况下进行步行。他们使用节拍器在三种速度条件下练习步行，作为熟悉课程，持续约10分钟。
本项研究中，参与者被问及三个有关他们跌倒史的问题。（1）你在过去6个月里摔倒了吗？（2）在已往6个月里你摔倒了多少次？（3）你害怕摔倒吗？
然后研究者按下图所示的流程对受试者的颠仆风险等级进行分类。
结果：低风险组占数据集的62%，由456名参与者组成。高危人群约占数据集的38%，包括剩余的290名参与者。这一分布与老年人跌倒发生率相似，后者不到30%。
本实验使用截止频率为10 Hz的二阶巴特沃斯低通滤波器对步态数据进行过滤。当沿前后轴和垂直轴的线加速度分别达到其最大值时，检测脚跟撞击和步态脚趾事件。该研究排除了步态性能测试中的加速和减速阶段，以便在稳态条件下进行分析。
本文提出的ML模型将五个人口统计学变量（年龄、性别、体重指数（BMI）、总PA和教育水平）和九个步态变量（步行速度、步幅、步频、站姿阶段、步幅时间、CV步长、站姿阶段CV、步幅时间CV、GA）作为预测变量。
测得的步态数据通过Shapiro–Wilk正常测试进行评估。步态变量被标准化为所有变量的最大-最小分数。同时采用独立样本t检验确定所有参与者（高风险组和低风险组）之间的特征和人口统计学存在显著差异。通过三种不同状态下的步态时空参数预测跌倒风险的影响因素。通过三种不同状态下的步态时空参数预测跌倒风险的影响因素。
为了通过三种不同速度下步态的时空参数预测影响跌倒风险的因素，本实验使用了用XGBoost算法推导ML的方法。对于具有n个样本和m个特征的给定数据集，XGBoost模型中使用了K个加法函数估计来预测输出。然后通过计算C-统计量、前瞻性预测结果和决策曲线，使用模型的预测性能来衡量模型。
利用ROC曲线下的面积评估步态变量预测老年人跌倒风险的准确性。所有模型均按年龄、性别、BMI、体重水平进行调整。教育程度和PA水平作为协变量。教育水平被定义为一个分类变量。所有分析均采用R统计软件（版本3.6.1，RStudio）进行。统计学显著性水平设定为0.05。
与低风险跌倒组的参与者相比，跌倒风险高的参与者年龄相对较大，BMI较高，PA水平和教育水平较低，认知能力较差。27个步态变量中有23个在高危跌倒组中显著受损。步态变量呈现出高度相关的特征。
慢速步行、首选步行和快速步行模型的ROC曲线以及分类精度如下图所示：
慢速步行、首选步行和快速步行模型中，敏感性分别约为43%、53%和51%。
（1）没有考虑跌倒功效量表来评估对摔倒的恐惧。只使用“你害怕摔倒吗？”这个问题来评估对摔倒的恐惧？
（3）高风险群体相对较高的分布数据集可能会影响可预测性。为了提高分类性能，应该对ML模型的性能进行比较。此外，还应开发具有更高可预测性的ML技术和人体运动的过滤技术。
在这项研究中，XGBoost方法用于确定预测老年人跌倒风险的最重要特征。XGBoost算法显示了70%的最高分类准确率，并选择了最佳特征，如慢速行走时的步幅和行走速度，在首选步行和更快的步行速度下可变。此外，所有步行速度中的站姿阶段也被选为老年人精确跌倒风险等级分类的最佳特征。此外，研究结果表明，提高步行速度会增加跌倒风险。在预测老年人跌倒风险时，应考虑这些步态特征。
使用带有惯性测量单元传感器的ML方法进行的坠落风险评估改进了对高坠落风险个体的分类。我们的研究结果为今后预防跌倒的工作奠定了基础。此外，我们的ML方法可以通过对老年人的步态分析来启发对跌倒风险的潜在评估。
本文链接: https://www.yizhekk.com/0202320542.html
