文摘
瀑布把老年人冒着极大的危险,与身体的平衡感。本研究调查如何检测的可能性高下降风险科目在老年人中。原始信号是基于压力中心使用力板(COP)测量。下降组包括29人今年有瀑布前的这项研究得到了高分短落功效规模(菲斯)。nonfalling组包括47个新生没有历史的瀑布和短菲斯得分很低。警察在前后和中间外侧的方向计算和分析通过经验模态分解(EMD) 6的水平。以下五个特征提取和进口决策树算法:均方根偏差,平均频率、总功率频率,近似熵,熵和示例。结果表明,有大量的统计特征参数不同,和更高的分类精度。借助经验模态分解,平均分类精度提高10%,达到99.74%的水平培训组和测试组的96.77%,分别。
1。介绍
随着老龄化社会的到来,许多主题相关的健康老年人每年吸引了越来越多的关注,尤其是预防医学的概念。最相关的事情要老人的健康发展是下降,身体平衡,和日常活动。下降后意外死亡的第二大原因道路伤害因此,秋天检测是一个重要的研究课题。综合平衡能力的下降是身体机能的老化过程的重要指标,也导致下降的因素之一。测试可以用来评估老年人的平衡跌倒的风险。目前,检测可以分为两类:预测和直接检测。跌倒检测目前占主导地位的可穿戴设备(1)或通过红外传感(2]。可穿戴传感检测系统主要使用加速器,这是放置在人体的不同部位,可以区分日常生活活动。虽然可穿戴设备有利于检测实时下降,老化是一个循序渐进的过程的变化;前下降,老年人通常不愿穿跌倒探测器。它有利于提供一种方法来检测老年人的风险评估。他们会有更高的使用可穿戴设备如果他们通知高下降的风险。
生理信号的平衡机制的研究中使用的人体压力(COP)的中心,这是通过使用生物力学测量力板平行的力的变化与身体的平衡感3,4]。力板措施三轴力和力矩:forward-backward,左右和上下。几项研究已经用警察数据评估身体的平衡感和瀑布5,6]。例如,桑托斯等人测量了163名新生的警察站在四个测量条件下仍为60年代:刚性表面睁着眼睛,闭着眼睛在刚性表面,眼睛打开泡沫垫,闭着眼睛在泡沫垫(7]。测量每个条件下进行了三次为每个入学者在随机顺序。的学者包括年轻人,老年人的下跌之前,和老年人没有落在今年之前的历史。除了测量警察在四种条件下时间序列信号,桑托斯等人测量了参与者的个人和健康状况(如年龄、身高、体重、BMI,和疾病),管理相关问卷和身体活动(即下跌。、国际体力活动问卷、功效规模菲斯,迷你平衡评估系统测试,跟踪测试A和B,和F12M)。F12M查询新生的数量下跌之前的12个月内。与相同的数据,蒙特西诺斯等人继续研究通过计算警察使用非线性参数(即。近似熵和样本熵)。此外,他们讨论了改变输入参数的影响米,r和N(数据长度为30和60年代)在警察近似熵和样本熵值时间序列(8];这项研究表明,有更多的年轻人和老年人之间的显著差异中观察到非线性参数与线性警察参数。没有观察到显著的差异没有经历的老年人跌倒在12个月之前和那些经历过落在过去12个月(即。nonfallers跌幅)的所有参数。非线性参数通常用于生理信号的特征提取和达到的性能9,10]。Chang进一步调查这个话题通过分析警察信号利用经验模态分解(EMD)和提取固有模式函数(货币)来计算熵的特性。常发现nonfallers和伐木工在多个参数之间的显著差异(11]。
EMD算法分解数据首先进行分析和处理非线性和非稳定信号尤其有用。类似于滤波器,EMD逐步计算首先通过重复一个筛选的过程。最初,计算货币包含最高频率成分。然后,信号不同的频率成分逐渐分解,直到成为正弦波,好像经过带通滤波器(12]。与一个固定的带宽的带通滤波器,国际货币基金组织(IMF)组件通过EMD分解随输入信号的特性。即EMD算法遵循动态带宽的概念类似于过滤器。几项研究已经应用EMD识别有意义的生理信号的信号组件的处理,如在心电图(13),测量(14,胎儿心音(15]。与传统方法相比,特点是直接从原始信号中提取,首先通过EMD分解,然后提取特征分解的首先是一个更有效的方法来识别提取的特征差异。该方法极大地提高了后续信号分类的性能。
生理信号和人工智能算法的结合已经成为近年来流行的临床分类和诊断。机器学习分类是一种有效的工具(16]。下跌风险预测的研究发现,通过机器学习来创建有效的分类模型,多个函数和非线性算法可用于分类下跌风险(17]。大多数研究使用动态运动分析来预测老年人跌倒的风险(18,19]。决策树算法是一个著名的算法与可辩解的理由20.,21]。决策树是一种非参数监督学习方法用于分类和回归。通过创建一个模型,预测目标变量的值通过学习、决策规则可以由数据功能。决策树可以确定每个阶段的决策组织多个决策点。
警察检测的自动识别系统尚未发表。本研究的目的是开发一个自主算法检测的可能性高下降风险科目在老年人中,时域、频域和非线性域警察特性来源于EMD。此外,本研究使用决策树算法是分类学者分为秋季和nonfall组。最后,通过调查制成下降之间的差异和nonfall团体的警察在四种情况下,测量一个研究很少探讨的话题。
2。材料和方法
2.1。警察数据
本研究使用测试数据收集的桑托斯和Duarte伫立了60年代力平台(opt400600 - 1000;美国AMTI,水城,MA)在四个不同的条件下(7]。测量在四种条件下进行了三次为每个入学者在随机顺序。这四个条件定义如下:在刚性表面闭上眼睛(CR);睁着眼睛在刚性表面(或);在一个泡沫垫,闭上眼睛(CF);睁着眼睛和泡沫垫(的)。C4 = CR +或+ CF +四个测量条件的组合。警察进行了测量的采样频率100赫兹;力的输出板力(外汇,财政年度,Fz)和时刻(Mx,我的,Mz)数据。新生,> 65岁,被分为秋季和nonfall组的基础上他们的历史的瀑布前的12个月里,他们的反应FES-International问卷。47注册人员没有经验的瀑布在12个月之前分配给nonfall集团和注册人员29日了一次或两次在12个月前或收到高分在短暂的菲斯被分配给组。表1总结了两组参与者的人口数据。警察信号前后(警察x和中间外侧的警察y)方向计算后续的特征提取。
2.2。EMD公式
EMD信号x(t)描述如下22]:步骤1:设置的最大值和最小值x(t)。步骤2:最大值和最小值连接形成了上下信封。步骤3:计算米(t),平均函数的上下信封。步骤4:解决d(t)=x(t)−米(t)。第五步:如果d(t)是零均值过程,计算结束d(t)成为第一个国际货币基金组织(IMF1)。否则,取代x(t),d(t),回到步骤1。第六步:残余信号r(t)=x(t)−IMF1 (t)。第七步:替换x(t),r(t),并重复步骤1到6计算第二个IMF, IMF2 (t)。后n迭代,IMFn (t)。计算不罢手r(t)变成了单调函数。
原始数据分解成n首先,国际货币基金组织(t)和残余信号r(t)。
在这项研究中都写在使用的程序R语言。执行EMD, EMD包下载,图书馆(EMD)加载,命令“EMD”使用,IMF1-IMF7提取。因为IMF7信号分解成正弦波组成,无相关信息警察,分解了只有6级(IMF6)。图1提出了一个原始的分解过程的警察x秋季的信号和IMF1-IMF6 nonfall组。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
2.3。警察的特性
这两个信号来源,COPx和复制,通过EMD分解成IMF1-IMF6。然后,五个特征参数时间序列信号计算,即均方根偏差(RMSD),代表时域特征参数;中值频率和总频率的力量,代表了频域特征参数;和近似熵和样本熵,代表非线性参数。近似熵和样本熵的计算需要使用命令“approx_entropy”和“sample_entropy”,分别在r语言pracma包。熵有两个输入参数,即维数= 2r= 0.2×性病,性病表示输入信号的标准偏差。在命令“sample_entropy,τ= 1。“频谱计算通过使用命令“pspectrum”R沿途的psd包。特征参数的编码规则被分成三个等级:1级代表信号源,COPx,或复制;2级代表相应的国际货币基金组织的功能水平;和三级代表五个功能。表2介绍了特性参数及其数字代码。例如,x.0.1对应RMSD参数计算从原来的警察x信号,y.2.4对应的近似熵参数计算从复制到第二个国际货币基金组织(IMF)。
2.4。DT分类和评价
五个特征参数计算部分2。3进一步分为5个测量条件:CF,, CR,或者,然后呢C4(四个条件的总和)。警察x和警察y信号从原始信号分解到IMF1-IMF6作为输入参数。r语言命令“购物车”是用于执行决策树分类、和training-testing数据率作为80:20。新生被分为秋季和nonfall组,和分类的结果分为下面四类与学者的基于比较的历史瀑布:老年人被决策树分类到秋天组和有瀑布(TP);老年人被决策树分类组但没有跌倒史(FP);老年人被决策树分类nonfall集团,但历史的瀑布(FN);老年人被决策树分类到nonfall组和没有跌倒史(TN)。
以下三个分类参数定义的TP, FP, FN,和TN:
决策树分类在相同条件下重复20倍来计算的平均值和标准偏差的准确性,特异性和敏感性的分类分为训练和测试组。
2.5。统计数据
提出了以下假设:H1: EMD可以产生更多的统计不同的参数。H2:参数来源于EMD可以改善入会者分类的准确性。H3:统计不同特征参数变化在警察测量方法及其组合。H4:警察测量的方法和他们的组合影响入会者分类的准确性
所有的数据处理与统计:
2.5.1。描述性统计
本研究学者的特征参数的数据分为秋季和nonfall团体来计算特征参数的平均值和标准偏差为每个组。决策树分类后,平均值和标准偏差的准确性、敏感性和特异性的培训和测试组20轮分类计算。
2.5.2。T以及
秋天和nonfall输入警察参数的计算t以及,显著性水平α= 0.05。图2介绍了实验过程,附录A礼物在这项研究中使用的代码。
3所示。结果
3.1。警察特性分布在两组之间
表3证明了特征分布与C4测量条件。每个主题的详细特性分布在四个数据测量条件和测量条件列在附录A相结合,包括均值和标准差下降和nonfall组。统计差异下降,nonfall组四个测量条件下同时进行,如附件所示的全面统计在表列出不同的特性4。表5列表的数量统计上显著的特性在不同的警察来自表测量条件3。从表4,有32 EMD-derived特性和三个原始信号(y.0.4,x.0.5,y.0.5)C4信号;十一EMD-derived特性的信号;三个EMD-derived特征和一个原始信号(y.0.5)来自CF信号;15 EMD-derived特性和两个原始信号(x.0.5和y从CR信号.0.5);25 EMD-derived特性和两个原始信号(x.0.5和y.0.5)或信号。
3.2。发现警察特性分布在不同数据记录的条件
3.2.1之上。睁着眼睛和闭上眼睛
统计不同的参数的数量,或> > CR和CF,闭着眼睛保持平衡是秋天集团更加困难。身体的程度影响更大的组比nonfall组下降,导致增加的团体之间的差距。与眼睛保持平衡开放是相对容易的。
3.2.2。刚性表面站和泡沫垫站表面
统计不同的参数的数量,或和CR > > CF,结果表明,因为刚性表面相对稳定和泡沫垫相对不稳定,nonfall组困难维持稳定的泡沫垫。因为这个结果,秋天和nonfall组之间的差异减少泡沫垫表面。
3.2.3。C4数据记录条件与单独的数据记录的条件
总共35统计来自不同的参数C4(四个条件的总和)。比较数据表4显示以下11个参数在测量而不是个人条件C4个条件:x.2.3,x.3.1,x.3.3,x.4.1,x.4.3,x.5.1,x.5.3,x.6.1,x.6.3,y.1.4,y.3.4。以下七个参数没有观察到在个人条件下测量但C4的观察:x.1.2,x.2.5,y.4.4,y.4.5,y.6.4,y.6.5。这些结果表明,虽然C4代表的组合(即四个测量条件。、铬、铬或,),观察到几个特性C4在个人条件不同于观察测量。这一现象表明,警察应该在所有四个条件下测量的信号。这三个研究结果支持H3:统计不同特性参数变化在警察测量方法及其组合。特征参数来源于每个警察测量条件影响的差异之间的数据下降,nonfall组。
3.3。发现警察特性与EMD处理
统计不同的参数的数量,C4取得了32 IMF-derived特性和只有三个原始信号。结果,参数来源于EMD显著增加的数量统计不同的参数。IMF5导致最多的统计不同的参数。这一发现支持H1: EMD可以产生更多的统计不同的参数。特征参数输入到决策树分类,分为秋季和nonfall组。
表的末尾5,C4取得了三个时域提取特征,10频域导出功能,以及22 nonlinear-domain派生功能。非线性域特性贡献更多的统计特性不同频域和时域特性。
3.4。决策树分类结果秋季和Nonfall组之间
分类的分类器进行20轮获得的平均值和标准偏差分类器的性能。单一特征的详细分类性能和十个功能组四个数据测量条件下原始警察和国际货币基金组织列在附录b图3分类器精度的测试组。根据图3,使用10原始时域特征参数,频率域和非线性域进行分类C4输入数据的测试组分类精度达到了84.09%(标准差为4.61%)。使用10个特征参数来源于EMD1 EMD6产生测试组分类精度为88.13%(4.39%),91.10%(5.84%),92.34%(5.21%),88.22%(8.12%),95.76%(5.43%)和96.77%(3.85%),分别为。这个结果支持H2因为EMD-derived特性改善分类精度(H2:参数来源于EMD可以提高入会者分类精度)。另一个发现从图3分类的准确性吗C4大于单个数据记录情况,通过使用10个原始特征参数或使用EMD1 EMD6产生的。这个发现支持H4:警察测量方法及其组合影响入会者分类的准确性。
4所示。讨论
有一些有趣的发现。首先,本文是第一篇论文使用警察信号和智能分类和nonfall老人。这个话题的困难的原因是首先找到警察与统计特性差异。特征参数研究中很少产生了对警察的应用特性参数来区分秋天和nonfall组。蒙特西诺斯et al。8]发现显著差异在近似熵只观察到特定的组合米,r,N。这与本研究的结果是一致的。例如,y.0.4,x.0.5,y来自.0.5统计不同特性参数C4所示。本研究不同于蒙特西诺斯等人的,注册人员经历过瀑布前的12个月内(表示的自述F12M)和注册人员没有经历瀑布前的12个月内但获得高分菲斯被分配给组。这种差异可能造成轻微的差异的结果。然而,研究指出,统计不同特性参数之间的老年人警察和nonfall团体缺乏。
第二项发现是特性来源于四个警察记录条件的组合,和EMD正在处理,增加与统计参数的数量下降和nonfall组之间的差异,绝大多数非线性参数。警察信号被EMD分解后,测试组分类精度可以提高10% IMF5 IMF6 95% - -96%,而相应的原始警察派生功能。EMD可以提取更多的特征参数来区分下降和nonfall组比原始信号没有EMD可能归因于EMD的特点。最初的计算首先来源于EMD包含最高的频率成分,和频率随每一层的分解。EMD像一个连续时间的带通滤波器银行nonfixed带宽。国际货币基金组织的数字频率成反比。信号不同的频率成分逐渐分解,直到成为正弦波。警察的分量信号可能是相同的秋天和nonfall团体只有一点点不同,可以确定使用EMD分析方法的特点。一群几乎相同的信号可能只在某些频段不同,和EMD可以突出不同的信号组件的性能,从而生产统计差异。的警察x在IMF1-IMF4不同的参数主要是观察到,信号的中频。不同参数的警察y分布在IMF2-IMF5和非线性。EMD可以独立的警察组件相关的下降。
警察数据用于本研究测量四个条件下,即CF, CR,或。本研究提出一个创新的方法的四个测量的必要性条件。警察的特性参数测量四个条件下下降和nonfall团体之间的不同。根据表4和5,没有发现新的特征参数,结合原来的四个测量,CF, CR,或者,被观察到C4所示。因此,警察在四种条件下,结合测量结果可以增加产量的新统计不同的参数。
有几本研究的局限性。首先,实验的样本容量很小。数据从一个公共数据库,只有29个老年人和对照组下降47个老年人。尽管这个主题的规模足以检查决定分类性能,它将检查分类器性能有更多的科目,特别是来自不同的国家。
第二,只有10警察参数使用。包括线性和非线性参数的线性参数在计算低,但非线性参数可以提供大量的参数与统计差异。第三个限制是分类算法。本文只对分类决策树分析。监督分类算法有很多,如neuronetwork [23),支持向量机(24),和深倚25]。因此,一个更广泛的研究应用于警察的其他非线性参数的影响,以及比较不同的分类器,在未来的研究中是一个有趣的话题。
5。结论
本研究使用警察数据检测史的老年人跌倒。这是结合四个警察衡量标准:闭上眼睛/开放和站在刚性/泡沫垫表面,并与EMD处理之后,警察信号产生更多数量的统计不同的参数。分解参数可以提高下降和nonfall分类的准确性。6日的国际货币基金组织(IMF6)取得了最高的分类精度;相应的培训组的平均精度99.74%,平均测试精度96.77%。因此,大量的不同统计特性参数和更高fall-nonfall分类精度得到计算执行C4,而不是为每个测量条件。因此,它是一个潜在的工具评估的风险下降通过测量老年人的警察。
附录
答:警察特性分布
特性参数和代码可以通过以下链接访问学者:https://github.com/loveso1g/c02e - 1. - git。
b .决策树分类Resultsel
与决策树分类结果可以通过以下链接访问所有功能:https://github.com/loveso1g/c02 - 2. - git。
数据可用性
数据被从公共数据库。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由亚洲大学在格兰特数字105 -亚洲- 03和105 -亚洲- 04和中国医科大学医院在格兰特亚洲- 108 cmuh - 09年。作者感谢迈克尔·伯顿,亚洲大学的校对。