导 语  

最近，由诺丁汉特伦特大学的专家创造的新型智能袜子和深度学习算法，可以以99.4%的准确率检测跌倒，并以94.2%的准确率检测险些跌倒。这将有助于临床医生评估老年人的跌倒风险。

01 研究背景

跌倒会对老年人的生活质量造成很大的负面影响。随着老龄人口的增加，跌倒只会继续对老年人产生重大影响，进而影响他们的健康，比如在髋部骨折(跌倒后相对常见的伤害)后，估计只有36%的人能够恢复独立生活。此外，跌倒会使得老人信心丧失和并对跌倒产生恐惧，降低老人生活质量。

因此，能够自动检测跌倒具有减少长时间跌倒，以及在需要时向医疗专业人员发出警报的优势。险些跌倒被定义为发生了可纠正的失去平衡(滑倒、绊倒或绊倒)的事件。研究表明，濒临跌倒可以作为跌倒风险的独立指标。因此，临近跌倒的检测(绊倒检测)将非常有益，因为在临近跌倒事件增加的情况下，可以通知护理人员或联系医疗专业人员，并且可以避免跌倒。

这项研究的重点是设计、制造和测试一种新型的基于纺织品的装置，用于监测老年人跌倒和接近跌倒的事件。

02 研究概述

这项研究招募了13名健康受试者。每个参与者进行三种类型的日常生活活动(ADLs)，一次差点跌倒(绊倒)，和三种类型的跌倒，同时在每只脚上穿上一只袜子。为了对这项工作中收集的数据进行分类，研究人员使用了深度学习分类器。

研究所用设备

（图片源自论文）

从下图a所示的加速度数据中可以清楚地看到十次摔倒的曲线特征，所有三个轴上的加速度都有变化。从第一次跌落开始，x轴的加速度最初减少了1.95g，随后增加了1.2g。y轴和z轴的加速度分别增加了约1.3g和0.5g。b图中显示z轴上的角速度增加，在下落点最大增加约299度/秒。在坠落点，x轴和y轴的角速度也有所下降。x轴在40和80度/秒之间变化，y轴在100和200度/秒之间变化。

研究结果

（图片源自论文）

下图显示了使用双脚加速度和角速度数据时产生的混淆矩阵。从图中可以观察到81.6%的总体分类准确度。这也表明该算法可以很容易地在ADLs和falls之间进行分类。

研究结果

（图片源自论文）

下图显示，与单独使用加速度数据（下图a）相比，单独使用角速度数据（下图b）可以实现更准确的分类。当使用加速度数据与角速度数据的组合时（下图c），观察到准确的跌倒分类是最好的。在所有三种情况下，坐姿到站姿都是100%准确的。此外，还观察到计时和行走测试与步行活动之间存在一些错误分类，这可能是由于活动之间的相似性导致。最终，该系统的目的是区分ADL和跌倒，因此这种混淆不会成为实现该设备的障碍。

研究结果

（图片源自论文）

03 研究意义

这项工作提出了一个嵌入式IMU的外套，用于跌倒和险些跌倒的检测。该技术可以以99.4%的准确率检测跌倒，并以94.2%的准确率检测险些跌倒。

该项研究的研究员Zahra Rahemtulla博士表示：“除了检测将要跌倒之外，重要的是，当老年人跌倒时，他们可能会长时间失去知觉或无法动弹，无法寻求帮助。该技术可以发出警报使得老年人更快的接受治疗。”