利用惯性传感器数据再现真实世界跌倒事件的方法:开发和可用性研究

简介

跌倒是一种常见的健康问题，可导致严重的身体后果，如骨折、生活质量下降、丧失独立性和住院。此外，与跌倒有关的伤害严重增加老年人的死亡率[1］．在65岁以上的社区居民中，有三分之一的人每年至少跌倒一次，其中一半的人跌倒不止一次[2］．除了个人的健康负担外，跌倒还会产生重大的社会和经济影响，每年的费用占医疗总开支的0.85%至1.5% [3.］．

荟萃分析确定了社区居住老年人中约30个跌倒风险因素[4］．这些风险包括跌倒史以及平衡和步态问题。然而，跌倒风险预测模型表现出有限的性能，这表明我们还没有完全理解触发跌倒事件的因素之间复杂的相互作用。这可能是因为有关跌倒事件的信息主要来自跌倒者或代理人的主观报告，这些报告在许多方面都有偏见[5］．缺乏报告或虚假报告可能与受试者的认知障碍、报告的羞耻感和对后果的恐惧有关，或仅仅是因为难以定义跌倒[6］．客观信息很少，因此，许多方面仍然不清楚，包括与跌倒相关的活动、环境因素和跌倒阶段之前、期间和之后的运动模式。身体穿戴传感器技术可能会增强我们对跌倒的理解，从而也会导致更有效的跌倒预防、跌倒风险评估和跌倒检测方法。随着电子健康的快速发展，小型可穿戴设备，如身体穿戴式传感器技术，可以提供客观的身体活动和人体运动的运动学测量[7］．

虽然跌倒很常见，但由于观测周期长，传感器设备的记录时间有限，因此捕捉真实世界的跌倒信号具有挑战性。由第七届欧盟研究框架计划资助的智能和自适应环境设计跌倒库(FARSEEING)联盟，已经能够捕捉和验证现实生活中摔倒风险增加的老年人的摔倒情况，通过身体穿戴传感器技术进行测量[8］．例如，对这些坠落信号的分析表明，惯性传感器测量所呈现的特征与提高对撞击后阶段的理解有关[9］．地面阶段的运动模式在摔倒事件中是不同的，有和没有成功恢复到站立位置。这些发现对于重新设计摔倒后的应急响应流程很重要，以便在摔倒未恢复的情况下更好地支持个人。

即使这些信号提供了加速度、角速度和磁北的精确测量，也不可能直接获得摔倒事件中运动的可视化和解释。相比之下，视频数据有助于估计下落的运动学以及下落事件前后与下落相关的运动[10］．然而，从平面视频数据分析坠落者的复杂运动模式是具有挑战性的，因为身体部分的运动不在平面或被遮挡[11］．此外，由于隐私问题，在日常生活中通常不可能捕获视频数据。由于缺乏描述良好的真实跌倒记录，并且在记录客观的跌倒数据方面付出了巨大的努力，研究人员试图通过模拟跌倒事件来弥合知识鸿沟。然而，将模拟的加速度信号与真实世界的坠落事件进行比较，结果显示存在相当大的差异[12］．这可能是由于缺乏真实世界的数据来设计更合适和更真实的模拟协议。例如，撞击前阶段被排除在模拟中，但对这一阶段的分析可以识别保护运动或更好地理解导致摔倒的情况。此外，如果模拟的跌倒是自我发起的，运动模式与真实世界的跌倒有很大的不同，因为志愿者不知道如何以现实的方式摔倒。研究表明，加速度值更接近真实世界中摔倒事件的加速度值，当受试者在指示避免摔倒时，从向后倾斜中突然释放他们，迫使他们摔倒[12］．为了进行更合适的模拟，必须找到方法来创建一个易于复制的现实实验协议。所获得的信息可能很有价值，可以深入了解摔倒的原因以及在摔倒过程中发生了什么。据我们所知，目前还没有一种方法可以在没有其他信息源(如视频)的情况下，根据传感器信号获得这类信息。然而，这些信息可以帮助更好地预测跌倒，并开发新的跌倒预防干预措施以及跌倒检测方法。

康奈尔和沃尔夫[13]之前提出了一种重新设定的方法来验证主观的摔倒报告。参与者接受采访，并被要求详细重现(如果他们感到舒服的话)所有的活动、身体动作、身体部位的放置，以及与事件发生地环境的互动，以获得更精确的信息。这种方法是一种很有前途的方法来改进模拟协议和产生更真实的坠落模拟。我们采用了重现方法来可视化和增强传感器信号的解释。本研究的目的是描述这种适应的方法，并通过选择一个常见的跌倒例子来证明重演方法的有效性。

方法

真实的跌倒数据

由惯性传感器在日常生活中测量的真实跌倒数据来自不同环境(如社区居住、老年康复)的受试者和具有中度至高度跌倒风险的不同人群(如帕金森病、小脑性和感觉性共济失调)。所有的跌倒事件都存储在FARSEEING数据库中[8］．结合不同来源的数据收集过程得到了Tübingen大学伦理委员会(495/2012BO2)和德国Baden-Württemberg联邦州数据保护办公室(T 1500/231)的批准。FARSEEING数据库中大量真实的坠落事件有助于比较代表相似曲线进展的传感器信号，并确认将重演方法应用于几种不同的坠落范例的可行性。为了举例说明，我们选取了一位女性患者的跌倒事件(42岁，身高=154厘米，体重=60公斤，蒙特利尔认知评估=27 [14]，计时升降=17.72秒[15]，短物理性能电池=9 [16])，并呈现可靠的跌倒报告和传感器信号。相应的跌倒报告将该事件描述为由于在入口门槛上绊了一跤而向前跌倒。对有关运动模式和曲线进展的三轴传感器信号的分析和解释证实了坠落描述。根据从存储库收集到的信号，所选的坠落信号代表了与日常生活情况相对应的常见的坠落范例。

数据处理

数据采集是在患者监测和重现实验期间进行的，使用三星Galaxy (SG) S3智能手机，在腰部(L5)用腰带佩戴，靠近质心。这款智能手机包括一个三轴加速度计(2g SGS3)，采样频率为100 Hz。数据存储在智能手机上进行离线分析。方向定义如下:z=垂直，y=中外侧，x=矢状。此外，用摄像机(SGS8, 200 hz采样率)对重演实验进行了捕捉，以详细分析动作。为此，视频数据和传感器信号被同步，以为加速度信号的每一帧分配特定的姿态，就像从录像带中看到的那样。

重新协议

为了建立仿真协议，我们对所选的坠落信号进行了分析，包括坠落前阶段(撞击前5-10秒)、坠落阶段、撞击阶段以及坠落者达到直立站立位置后的休息和恢复阶段的运动模式[17］．在信号解释的基础上，建立了包含识别姿态和运动序列的仿真协议。该方案由一名专家(女性，28岁，身高=168厘米，体重=61公斤，健康，身体活跃)执行，分析真实世界跌倒事件的传感器信号。模拟从坠落前的活动开始，以撞击阶段后的人站直结束。重演方法是在安全的条件下进行的，在实验室环境中使用床垫保护层来减少冲击和避免受伤。为了产生一个模拟的加速度信号类似于真实的下降信号，该协议执行了几次。随后，将重现的信号与真实世界的坠落信号进行比较，并根据第一次重现实验后的发现对协议进行了调整。特别要注意的是z分量，因为它表示了树干截面的垂直运动和弯曲运动。再次进行调整后的协议，并将新记录的信号与原始信号进行比较。在有新发现的情况下，该方案被再次调整，作为进一步试验的基础。 This re-enactment process is visualized in图1．协议的适应是重复的，直到实验得出令人满意的结果，显示出与现实世界中坠落事件的原始信号相似的曲线形状。

重现法的验证

使用动态时间翘曲(DTW)算法分析了模拟和真实世界下降信号之间的相似性，该算法能够比较两个时间序列在速度和时间上的变化。DTW算法补偿了传感器信号之间的时间差异。两个时间序列都是通过拉伸两个向量来对齐的，以使对应点之间的欧几里得距离之和最小化。在R-3.4.2 (R Foundation for Statistical Computing, Vienna, Austria)中使用Sakoe和Chiba发表的斜坡约束阶跃模式“asymmetricP1”处理DTW对齐[18，通过将真实世界的下降信号模式(查询)的时间轴转换为重新制定的下降信号模式(模板)的时间轴来实现时间归一化。选择斜率约束因子P=1是因为其识别性能最好，Sakoe和Chiba的研究也证明了这一点[18］．曲线之间的相似性是通过定义为欧氏距离除以查询中的样本数量的归一化距离来计算的。

‎ 查看此图

结果

图2顶部显示了真实世界坠落事件的三轴加速度信号，下面是在重演实验中记录的三个加速度信号。所选择的真实世界跌倒事件的动作顺序如下:站得不稳，被门槛绊倒，膝盖向前摔倒，然后再站起来。第一个模拟遵循了这些粗略的指示，结果并不令人满意，从上面的第二个图可以看出。由于床垫较软，且第1部分的步骤频率较高，第2部分的冲击无法真实模拟。在z分量(垂直方向)上，与第一次模拟的信号相比，原始的坠落信号在撞击后呈现出更陡峭的斜坡。第3段模拟信号的加速度值较大，第6段模拟信号的局部最小值较大;然而，第5节中的值与真实世界中坠落事件的信号相比较低。此外，第4部分上半身的抬起几乎看不见。然而，第3、5和6节中的曲线形状与真实世界中坠落信号的曲线形状相似。归一化距离为2.53，是所有实验的最大值。 The x component of the first simulated sensor signal showed a similar curve progression in sections 3, 5, and 6 but differed regarding the acceleration values in comparison to the real-world fall signal. For the y component, the curve shape was quite similar compared with the real-world fall signal with slight deviations in section 6. Subsequently, the protocol was adapted: more pronounced steps (section 1), bending forward while kneeling (section 3), and resting in this posture for a short time period.

第二次模拟产生了更相似的加速度值，但对于第3节和第6节中的z分量来说仍然太高。站立时上半身前屈不够明显，这可以通过第6节z分量的最小值来说明。此外，第6节中的z分量显示了两个局部最小值，而不是真实世界中下降信号中的一个。第5部分特别显示了一个太短的时间段。值得注意的是第4部分，与现实世界的摔倒事件相比，它的长度约为7倍，在所有三个轴上都包含了更多的运动。x分量在第3节和第6节中有所改善，但第4节和第5节在加速度值和曲线进展方面仍然不同。对于y分量，曲线形状必须改进，特别是在第4部分。然而，所有三个轴的归一化欧氏距离都较低，表明模拟得到了普遍的改进。

‎ 查看此图

研究结果被添加到实验方案中，并按照以下说明重复实验:快速或不太明显的步伐(第1节)，磕磕绊绊并向前跪倒(第2节)，上半身向前弯曲，双手触地1 - 2秒(第3节)，突然抬起(第4节)，膝盖着地，上半身直立休息4秒(第5节)，左脚放在地板上，上身不摇晃站起来(第6节)。

第三次模拟实验的结果信号为中最低的子图图2．除了第1节和第2节之外，所有三个轴都显示出与真实世界的坠落信号非常相似的曲线形状。三个轴的归一化欧氏距离减小证实了视觉相似性。最小距离为1.46，计算x分量。x和z分量显示归一化欧氏距离减少了近30%;尽管第6部分的z和x分量的弯曲可能更明显，整个模拟信号大约缩短了6秒。

图3说明了在第三次仿真期间获得的真实世界下降加速度信号的垂直加速度(z)分量和信号的对齐。适当的运动序列是相互关联的，但由于重新产生的坠落信号持续时间较短，导致了时间上的延迟。

‎ 查看此图

图4显示真实世界下降信号的垂直(z)分量的扭曲路径和从加速度计数据导出的重新制定的下降信号。在现实世界中，只有位于第800帧附近的下落信号的一部分显示出主要的差异，并导致直线的急剧弯曲，因为静止相位较短(第5节，图2)。DTW算法通过尽可能多地重复每个元素来拉伸重演的坠落事件中的这部分信号，从而弥补了这部分长度上的差异。

‎ 查看此图

讨论

原理的发现

实验证明，重现是一种合适的方法，可以为用惯性传感器记录的真实世界的坠落事件以及一般的坠落事件提供新的见解。可以更真实地模拟坠落事件，从而验证解释，即使坠落是异质的，并且由于坠落者的3D运动而显示出高度的可变性。

据我们所知，所介绍的方法是一种新的方法，可以很好地近似再现真实世界跌倒事件的惯性传感器信号，从而在安全的实验室条件下进行更有效的跌倒模拟。先前的重演研究已经表明，这种方法足以检查与跌倒有关的行为和环境情况[13］．我们修改了这种方法，用相应的真实世界的坠落信号增强了书面的坠落报告。在视频数据缺失的情况下，通过重演和附加的模拟录像再现传感器信号似乎是证明真实世界坠落事件解释的合适方法。通过同步视频和传感器数据，传感器信号曲线进展的每一个变化都可以与特定的姿势或运动模式相关联，并且可以更容易地追溯环境。

应用DTW算法对真实世界和重现的坠落信号进行了比较。该方法适用于测量时间序列中两个不同长度事件之间的相似性。这是一个重要的发现，因为我们的实验表明，在每个特定姿势的准确时间上，不可能以足够精确的时间顺序来模拟摔倒事件。大多数其他相关方法不能处理这个问题。进一步表明，所应用的DTW算法能够以一种能够相互分配特征模式的方式拉伸信号。标准化距离没有自然阈值来显示适当的拟合。然而，之前的研究已经表明，无论阈值如何，DTW都是一种适合于人体运动模式识别的方法[19-22］．我们的研究结果还表明，DTW方法可能是一种很有前途的方法，可以从加速度计数据中检测整个坠落模式或至少部分事件。这也有助于进一步改进跌倒检测算法。

我们的结果表明，重演方法提供了一个工具来理解与跌倒相关的运动。基于FARSEEING数据库，将有可能建立一个包含代表特定运动模式的传感器信号序列的数据库，并将显示再现运动的相应图片或视频数据链接起来。将该数据库与DTW方法结合使用，有助于识别新获取的跌倒信号的运动序列，从而提高对跌倒的理解，包括原因和后果。有了这些新知识，就有可能开发出更可靠的跌倒风险模型[23］．

FARSEEING数据库包含大约200个描述良好的坠落事件[8];然而，现实的模拟仍然是必要的。为所有开放的研究问题和数据密集型分析方法(如自动机器学习方法)收集足够数量的真实世界的跌倒似乎不现实。目前，坠落检测还不够，例如在家庭报警系统中实施的坠落检测。主要原因似乎是年轻受试者模拟的不现实的摔倒，他们对真实的摔倒缺乏了解[12］．将这种跌倒检测算法应用于真实世界的情况会导致高比率的假阳性或假阴性警报[24］．将FARSEEING数据库中的真实数据应用于算法开发中，极大地提高了检测性能[25］．然而，虚警率仍然高得令人无法接受。机器学习方法在基于腰部惯性传感器数据的活动识别方面已经显示出有希望的结果[26，27可能会进一步改善结果，但还需要更多真实的下落数据。

该方法将有利于和提高坠落模拟的质量，为算法开发者提供更真实的数据输入。志愿者们可以接受训练，使用重演的坠落信号数据来模拟与真实世界非常相似的坠落。下一步，我们计划进行一项研究，系统地重现FARSEEING数据库提供的坠落过程，并分析由不同的人进行重演时结果的可重复性。

优势与局限

这种新方法的开发和验证扩大了对现实世界跌倒事件的认识，并在跌倒描述缺失或零碎的情况下缩小了信息差距。这项研究的一个显著优势是开发了基于FARSEEING元数据库派生的真实跌倒数据的重演方法，该数据库是目前使用惯性传感器记录的最大的真实跌倒事件集合[8］．虽然坠落事件是异质的，但可以将几个真实世界的数据集与类似的坠落场景进行比较，并确定坠落范例特定的模式，这些模式可以在重演协议中复制，并导致现实的模拟。此外，似乎任何能够模拟摔倒事件的人都可以进行重演，而无需匹配原始摔倒者的临床特征。沙文等[28]甚至证明了一种基于智能手机记录的健康参与者的惯性传感器信号的跌倒检测方法，可以用来模仿其他人群的特征，比如使用假体的个体。尽管我们只通过一个典型的真实世界的坠落事件引入了重演方法，但这种新方法对几个真实世界的坠落数据是可行的，结果相似。进一步的例子可以在多媒体附录-3.．

然而，这种方法有一些局限性。由于安全条件，重演实验必须在撞击阶段的约束下进行。在重演实验中，一个柔软的床垫被用来减轻冲击。因此，撞击引起的加速度值与真实世界的下降信号不同。然而，两个信号的可靠对齐可以在图3．所使用的DTW算法能够在相似的曲线序列的基础上匹配信号，尽管原始信号和重新设定的信号的值在相对较短的影响阶段有所不同。然而，当关注撞击阶段时，有必要使用来自真实世界的具有足够加速度范围的坠落信号。先前的研究表明，从模拟撞击中获得的信号是不可接受的，至少在评估坠落检测算法时是如此[29］．

尽管对跌倒事件的模拟，包括所有阶段，在一般情况下是可行的，但不占优势的运动可能被忽视了，无法通过重演再现。由于没有来自真实世界的坠落事件的视频数据，重演的动作是不可能验证的。此外，坠落报告通常是有限的，几乎没有提供关于运动行为和环境的信息。

此外，我们只对常见的跌倒范例进行了re-enactment method，例如被门槛绊倒或在开门时向后摔倒。这些模式似乎可以在实验室中可靠地模拟出来。然而，每一种范式在实验环境中可能都不适用(例如，由于头晕或与他人碰撞而摔倒)。

结论

重演方法提供了一种可能，可以生成与真实世界的坠落事件相似的数据。这种方法可以帮助更好地理解真实世界的跌倒，并进一步改善跌倒事件的模拟，为算法开发增加可用的真实跌倒数据。