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)自動化學(xué)院，重慶 400044）

0 引言

60 歲以上老年人群跌倒風(fēng)險極高[1-5]，跌倒不僅會造成老年人機體損傷，還會影響老年人的日常生活能力及社會參與程度，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動時，足部受力的大小和方向、腳底皮膚觸覺信息的反饋對人體運動及平衡控制產(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)）因為應(yīng)用范圍廣泛，受到了廣大研究人員和商業(yè)機構(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；且造價昂貴，臨床應(yīng)用不廣泛。為此，本研究設(shè)計了一款新型跌倒風(fēng)險預(yù)警鞋墊，對老年人的日常步態(tài)進(jìn)行跌倒風(fēng)險預(yù)測，從而實現(xiàn)早期預(yù)警。

1 設(shè)計

新型跌倒風(fēng)險預(yù)警鞋墊主要包括足底壓力數(shù)據(jù)采集平臺和跌倒預(yù)警系統(tǒng)2 個部分。針對老年人跌倒時足底壓力的特點和作用規(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)史對足底壓力參數(shù)進(jìn)行分析，給出跌倒風(fēng)險分析結(jié)果。

1.1 足底壓力數(shù)據(jù)采集平臺

足底壓力數(shù)據(jù)采集平臺由硬件電路和上位機軟件組成。

硬件部分的開發(fā)環(huán)境為立創(chuàng)電子設(shè)計自動化（electronic design automation，EDA）平臺以及嵌入式開發(fā)工具IAR，前者設(shè)計電路，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。人在赤足行走時足部各區(qū)域的負(fù)重不同[19-20]，運動與站立時腳底壓力分布相差較大，如圖1 所示。本設(shè)計在壓力傳感模塊的布局中，結(jié)合足部解剖特征和運動生物力學(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（如圖2所示）。接收器通過USB 連接到計算機的主機，并在計算機上安裝串口通信驅(qū)動實現(xiàn)通信。

圖1 正常人行走時的壓力中心曲線

圖2 新型跌倒風(fēng)險預(yù)警鞋墊實物圖

上位機軟件的開發(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)采集平臺實時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。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)險分析。獲取足底壓力曲線后，對曲線進(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 個卷積層和1 個全連接層，每個卷積層均需經(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)練集和驗證集，將隨機數(shù)種子設(shè)為0，驗證集比例設(shè)為30%。經(jīng)劃分，訓(xùn)練集、驗證集分別有700 例、300 例樣本，使用劃分好的訓(xùn)練集、驗證集訓(xùn)練并驗證模型。訓(xùn)練過程分為前向傳播與反向傳播2 個過程，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 次時終止訓(xùn)練，得到跌倒風(fēng)險預(yù)警模型。

圖4 機器學(xué)習(xí)基本流程

2 應(yīng)用效果

2.1 方法

2.1.1 研究對象

選擇2019年1 月至2021年1 月重慶市9 家醫(yī)療機構(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）獨立行走。排除標(biāo)準(zhǔn)：（1）患有嚴(yán)重影響活動、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。將納入研究的患者資料隨機抽取70%（357 例）作為訓(xùn)練集構(gòu)建預(yù)警模型，剩余30%（153 例）作為驗證集進(jìn)行內(nèi)部驗證。2 組受試者的一般資料無統(tǒng)計學(xué)差異（P＞0.05），具有可比性，詳見表1。本研究對象均知情同意、自愿配合，且研究獲得我院倫理委員會的批準(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)險預(yù)警鞋墊會記錄整個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)險預(yù)警模型進(jìn)行跌倒風(fēng)險分析，最終輸出結(jié)果。

2.1.3 統(tǒng)計學(xué)方法

采用SPSS 20.0 軟件對數(shù)據(jù)進(jìn)行統(tǒng)計分析，計數(shù)資料用n 表示，采用卡方檢驗進(jìn)行組間比較；計量資料用±s 表示，采用獨立樣本t 檢驗進(jìn)行組間比較。以P＜0.05 為差異有統(tǒng)計學(xué)意義。采用ROC 曲線對新型跌倒風(fēng)險預(yù)警鞋墊的擬合效果進(jìn)行檢驗，并用驗證集進(jìn)行模型效能評估。采用混淆矩陣并根據(jù)準(zhǔn)確率、敏感度、特異度來評估跌倒風(fēng)險預(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，計算方法如下：

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

2.2 效能分析

2.2.1 ROC 曲線評估新型跌倒風(fēng)險預(yù)警鞋墊預(yù)測能力結(jié)果

新型跌倒風(fēng)險預(yù)警鞋墊預(yù)測跌倒風(fēng)險的ROC曲線如圖5 所示。新型跌倒風(fēng)險預(yù)警鞋墊預(yù)測跌倒風(fēng)險的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)險預(yù)警鞋墊的預(yù)警效能較佳。

圖5 新型跌倒風(fēng)險預(yù)警鞋墊預(yù)測跌倒風(fēng)險的ROC 曲線

2.2.2 混淆矩陣評估跌倒風(fēng)險預(yù)警模型預(yù)測準(zhǔn)確率結(jié)果

使用混淆矩陣對跌倒風(fēng)險預(yù)警模型進(jìn)行評估，將跌倒風(fēng)險預(yù)警模型預(yù)測的跌倒風(fēng)險結(jié)果與患者跌倒史進(jìn)行對比，跌倒風(fēng)險預(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)險的敏感度和特異度分別為77.6%和80.5%，提示跌倒風(fēng)險預(yù)警模型的預(yù)警效能較佳。

表2 跌倒風(fēng)險預(yù)警模型預(yù)測跌倒風(fēng)險結(jié)果 單位：例

3 討論

3.1 建立新型跌倒風(fēng)險預(yù)警鞋墊的運動生物力學(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最基本的運動形式，步行能力也是老年人獨立活動和實現(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，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、日常獨立活動能力降低等[21]，而這些危險因素又集中體現(xiàn)在步態(tài)變化上[22]。人體足底壓力分布作為一個能反映有關(guān)足的結(jié)構(gòu)、功能及整個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)評估是檢測老年人跌倒風(fēng)險的有效方法。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)險評估，對于預(yù)防老年人跌倒、制訂有效的干預(yù)措施有重要意義。本研究針對人體運動生物力學(xué)的特點，通過構(gòu)建基于足底壓力參數(shù)的跌倒預(yù)警模型，設(shè)計出一款便攜、有效的新型跌倒風(fēng)險預(yù)警鞋墊，這為未來小型化、智能化、個性化隨身健康監(jiān)護設(shè)備的研制提供了思路。

3.2 新型跌倒風(fēng)險預(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動狀態(tài)下的力學(xué)參數(shù)和機能參數(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、實用性等多角度進(jìn)行考慮，設(shè)計了以無線傳感器為核心的新型跌倒風(fēng)險預(yù)警鞋墊。本跌倒風(fēng)險預(yù)警鞋墊可同時實現(xiàn)對11 個點位的足底壓力數(shù)據(jù)采集，并可通過ZigBee實現(xiàn)傳感器數(shù)據(jù)的無線傳輸。而且本跌倒風(fēng)險預(yù)警鞋墊具有體積小、質(zhì)量輕的特點，可以嵌入到平底鞋內(nèi)部，老年人只要穿著置有跌倒風(fēng)險預(yù)警鞋墊的平底鞋，即可在行走過程中實時、便捷、準(zhǔn)確地探測到其足底壓力變化。新型跌倒風(fēng)險預(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%，提示本鞋墊對跌倒風(fēng)險具有較強的預(yù)警能力。當(dāng)某些區(qū)域壓力異常、雙足相同區(qū)域足底壓力超出對稱或均衡閾值時，則提示該老年人的平衡能力存在隱患[27]，因此可針對老年人進(jìn)行早期個性化跌倒預(yù)警干預(yù)。

4 結(jié)語

本文研制了一種可對足底壓力進(jìn)行測量并分析的新型跌倒風(fēng)險預(yù)警鞋墊，通過ZigBee 實現(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)，對跌倒風(fēng)險進(jìn)行評估，以及時提醒老年人采取跌倒預(yù)防措施，從而降低跌倒發(fā)生率。本鞋墊造價低、實用性強，為其廣泛應(yīng)用奠定了基礎(chǔ)。但人體作為一個復(fù)雜的運動系統(tǒng)，單靠壓力傳感器并不能捕獲全部的運動情況。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)實驗，獲取更加全面的運動數(shù)據(jù)，以利于復(fù)雜運動行為的分析和處理。