つまずきと転倒のリスクを予測するための前駆体としてのフットクリアランスパラメーターの予測

高額な医療費がかかることと、主に治癒が不十分な大腿骨頸部骨折による死亡率の高さにより、つまずきや転倒は高齢者にとって深刻な健康問題となっています。現在の転倒防止技術には幅広い介入が含まれています。つまずきや転倒の影響を軽減しようとする受動的なもの（安全な環境、ヒッププロテクターなど）と能動的なもの（センサーベースの転倒検知器など）の両方です。しかし、これらの介入の大部分は転倒の衝撃を最小限に抑えるものであり、転倒のリスクを直接軽減するものではありません。この論文は、高齢者のつまずきや転倒のリスクと物理的に関連している、脚の遊脚期における足から地面までの高さに関連する歩行パラメータの予測を調査します。目的は、足の軌道のパラメータを数歩行サイクル前に予測し、予想される足のクリアランスの低下に、速度を落としたり停止したりするなど、より自発的な対策で早期に対処できるようにすることです。この基礎研究では、健康な成人 10 名 (25 ～ 32 歳) と転倒歴のある高齢者 11 名 (65 ～ 82 歳) を対象に、高精度のモーション キャプチャ システムを使用して足の運動学が記録され、それぞれ少なくとも 10 分間トレッドミル ウォーキングを実施しました。分。遊脚期の足の垂直変位には 3 つの特徴的な変曲点があり、これらのピーク値とその正規化時間を目標予測値として使用しました。これらのターゲット変数は、対応する足の加速度信号 (二重微分によって取得) から抽出された特徴とペアになりました。一般化回帰ニューラル ネットワーク (GRNN) を使用して、1 ～ 10 歩行サイクルの予測範囲 (先の歩行サイクル数) にわたる歩行変数を独立して予測しました。GRNN では、ピーク変数の予測誤差が 0.32 ～ 1.10 cm、正規化されたピーク時間の予測誤差が 2 ～ 8% に達し、高齢者の転倒者と比較して健康なグループの精度がわずかに優れていることがわかりました。予測精度は、ピーク変位変数の場合は 1 ステップあたり 0.03 ～ 0.11 cm、正規化されたピークの場合は 1 ステップあたり 0.34 × 10(-3) ～ 1.81 × 10(-3)% の範囲の予測範囲が増加するにつれて、遅い速度で直線的に (最適化) 減少しました。時間変数。ターゲット歩行変数のさらなる時系列分析により、健康グループのほぼランダムな歩行パターンと比較して、転倒グループでは高い自己相関が明らかになり、高齢者の歩行戦略には周期的なパターンが存在することが示されました。この技術は、危険な足のクリアランスの開始を予測するために足の加速度を測定するポータブルセンサーベースのデバイスに拡張でき、より効果的な転倒防止技術につながるため、結果は有望です。

Tripping and falling is a serious health problem for older citizens due to the high medical costs incurred and the high mortality rates precipitated mostly by hip fractures that do not heal well. Current falls prevention technology encompasses a broad range of interventions; both passive (e.g., safer environments, hip protectors) and active (e.g., sensor-based fall detectors) which attempt to reduce the effects of tripping and falling. However the majority of these interventions minimizes the impact of falls and do not directly reduce the risk of falling. This paper investigates the prediction of gait parameters related to foot-to-ground clearance height during the leg swing phase which have been physically associated with tripping and falling risk in the elderly. The objective is to predict parameters of foot trajectory several walking cycles in advance so that anticipated low foot clearance could be addressed early with more volitional countermeasures, e.g., slowing down or stopping. In this primer study, foot kinematics was recorded with a highly accurate motion capture system for 10 healthy adults (25-32 years) and 11 older adults (65-82 years) with a history of falls who each performed treadmill walking for at least 10 min. Vertical foot displacement during the swing phase has three characteristic inflection points and we used these peak values and their normalized time as the target prediction values. These target variables were paired with features extracted from the corresponding foot acceleration signal (obtained through double differentiation). A generalized regression neural network (GRNN) was used to independently predict the gait variables over a prediction horizon (number of gait cycles ahead) of 1-10 gait cycles. It was found that the GRNN attained 0.32-1.10 cm prediction errors in the peak variables and 2-8% errors in the prediction of normalized peak times, with slightly better accuracies in the healthy group compared to elderly fallers. Prediction accuracy decreased linearly (best fit) at a slow rate with increasing prediction horizon ranging from 0.03 to 0.11 cm per step for peak displacement variables and 0.34 × 10(-3) - 1.81 × 10(-3)% per step for normalized peak time variables. Further time series analysis of the target gait variable revealed high autocorrelations in the faller group indicating the presence of cyclic patterns in elderly walking strategies compared to almost random walking patterns in the healthy group. The results are promising because the technique can be extended to portable sensor-based devices which measure foot accelerations to predict the onset of risky foot clearance, thus leading to a more effective falls prevention technology.