每一年當(dāng)中，幾乎每三位65歲以上的成人就有一位曾經(jīng)跌倒，使得跌倒成為這一個(gè)年齡族群致命以及非致命損傷的關(guān)鍵因素。光是在美國(guó)，老年人因?yàn)榈乖斐蓚λ苌尼t(yī)療成本即高達(dá)500億美元[1]。

如何降低跌倒造成的相關(guān)性傷害?評(píng)估病患的跌倒風(fēng)險(xiǎn)，以及風(fēng)險(xiǎn)被辨識(shí)到有威脅性時(shí)採(cǎi)取適當(dāng)行動(dòng)是相當(dāng)重要的。許多傳統(tǒng)評(píng)估跌倒風(fēng)險(xiǎn)的方法，然而，這些方法仰賴於主觀的評(píng)判，或者需要特定領(lǐng)域的臨床醫(yī)學(xué)專家。

在Kinesis Health Technologies的工程團(tuán)隊(duì)開發(fā)了一個(gè)客觀、量化的方法來對(duì)跌倒風(fēng)險(xiǎn)、脆弱性（frailty）、活動(dòng)性損耗（mobility impairment）進(jìn)行篩檢，這種方法的精確程度比起傳統(tǒng)方法高出了15%至27%。

我們的QTUG（定量計(jì)時(shí)起走；Quantitative Timed Up and Go）系統(tǒng)（圖1），所使用的資料是從裝在病患腿上的無線慣性感測(cè)器所收集來的。然後，利用MATLAB開發(fā)出的訊號(hào)處理演算法和以機(jī)器學(xué)習(xí)為基礎(chǔ)的分類器，會(huì)依據(jù)從感測(cè)器收集到的資料及病患對(duì)於常見跌倒風(fēng)險(xiǎn)因素設(shè)計(jì)的問卷答覆，來計(jì)算該病人的跌倒風(fēng)險(xiǎn)評(píng)估（fall risk estimate；FRE）和脆弱指數(shù)（frailty index；FI）。

圖1 : Kinesis QTUG系統(tǒng)的臨床軟體（左）和感測(cè)器（右）。

透過MATLAB開發(fā)QTUG軟體，使QTUG的實(shí)現(xiàn)速度比原本完全使用Java的開發(fā)時(shí)間至少快了兩到三倍。這讓我們縮短了QTUG的上市時(shí)程，以及在美國(guó)食品藥品監(jiān)督管理局（FDA）、加拿大衛(wèi)生部（Health Canada）、歐盟（EU）取得第一級(jí)（Class I）醫(yī)療裝置註冊(cè)的時(shí)間。

傳統(tǒng)跌倒風(fēng)險(xiǎn)方法與QTUG比較

評(píng)估跌倒風(fēng)險(xiǎn)及活動(dòng)性最常見的兩種方法是計(jì)時(shí)起走（timed up and go；TUG）測(cè)試和柏格氏平衡量表（Berg Balance Scale；BBS）。在TUG測(cè)試，臨床醫(yī)師使用碼表來測(cè)量病患從坐在椅子上到站起來，行走三公尺，轉(zhuǎn)身，走回椅子，再重新坐回椅子上所花費(fèi)的時(shí)間。BBS測(cè)試則牽涉更多，需要病患完成一系列和平衡有關(guān)的任務(wù)；由臨床醫(yī)師為病患完成每一項(xiàng)子任務(wù)的能力進(jìn)行0到4的評(píng)分。研究顯示TUG和BBS測(cè)試在識(shí)別病患跌倒風(fēng)險(xiǎn)的精確度大約為50-60%。此外，BBS測(cè)試也需要臨床醫(yī)師主觀地判斷病患每一項(xiàng)任務(wù)的完成度。

而Kinesis QTUG則提供了比這兩種方法更詳細(xì)、客觀、精確的選擇。進(jìn)行QTUG測(cè)試時(shí)，會(huì)裝置兩個(gè)無線慣性感測(cè)器，分別裝在病患雙腿膝蓋的下方，每一個(gè)感測(cè)器包含一個(gè)加速儀與一個(gè)陀螺儀；這位病患接著執(zhí)行標(biāo)準(zhǔn)的TUG測(cè)試運(yùn)動(dòng)，包含站立、行走、轉(zhuǎn)身、回到椅子，這時(shí)感測(cè)器會(huì)透過藍(lán)牙（Bluetooth）傳送資料到QTUG軟體（圖2）。

圖2 : 病患裝上慣性感測(cè)器並執(zhí)行TUG測(cè)試運(yùn)動(dòng)。

加速儀與陀螺儀訊號(hào)的過濾和校正

穿戴在腿上的感測(cè)器單元包含了一個(gè)三軸加速儀和一個(gè)三軸陀螺儀。每一個(gè)加速儀產(chǎn)生三組訊號(hào)，反映沿著x、y、z三軸方向的運(yùn)動(dòng)；而每個(gè)陀螺儀也會(huì)產(chǎn)生三組訊號(hào)，反映三個(gè)維度的旋轉(zhuǎn)運(yùn)動(dòng)。所有感測(cè)器共12組訊號(hào)的取樣頻率皆設(shè)在102.4 Hz。

為了移除資料中的高頻雜訊，利用數(shù)位處理工具箱（Signal Processing Toolbox）提供的Filter Designer設(shè)計(jì)了一個(gè)數(shù)位濾波器來使用。在一開始的開發(fā)當(dāng)中，評(píng)估了切比雪夫（Chebyshev）和巴特沃斯（Butterworth）兩種濾波器，發(fā)現(xiàn)零相位、二階的巴特沃斯濾波器在截止頻率（corner frequency）為20 Hz時(shí)的效果最好。

設(shè)計(jì)濾波器的時(shí)候，我們也開發(fā)了一個(gè)MATLAB演算法來校正感測(cè)器，這些實(shí)地的校正演算法在從感測(cè)器訊號(hào)移除偏差以及要從不同感測(cè)器取得相應(yīng)的訊號(hào)資料時(shí)有其必要性。校正演算法也負(fù)責(zé)將感測(cè)器產(chǎn)生的原始32-bit訊號(hào)值轉(zhuǎn)換為有意義的數(shù)值，像是m/s2（公尺/秒平方）。

擷取特徵與訓(xùn)練分類器

我們是利用MATLAB來探索過濾的訊號(hào)資料，以辨別特徵與和脆弱性以及和跌倒風(fēng)險(xiǎn)有關(guān)的特性。舉例來說，繪製各個(gè)時(shí)間的角速度（angular velocity），並且偵測(cè)對(duì)應(yīng)到病患行走時(shí)的擺盪中期（mid-swing）、腳跟著地（heel strike）、腳趾離地（toe-off）等幾個(gè)點(diǎn)的峰值（圖3）。

圖3 : 圖表描繪了TUG測(cè)試中的角速度峰值。

我們找到了超過70個(gè)量化的TUG參數(shù)，這些參數(shù)可以跟病患的預(yù)期或歷史跌倒資料互相搭配，使用來訓(xùn)練一個(gè)監(jiān)督分類器；這些特徵包含平均步速和步輻、起立與坐下花費(fèi)的時(shí)間、轉(zhuǎn)身需要的步數(shù)、步行時(shí)花在一腳及兩腳上的時(shí)間（圖4）。

圖4 : 圖表顯示從傳統(tǒng)TUG測(cè)試取得的資料所擷取的量化量測(cè)值。

接著使用MATLAB產(chǎn)品家族中的統(tǒng)計(jì)與機(jī)器學(xué)習(xí)工具箱（Statistics and Machine Learning Toolbox）的交叉驗(yàn)證和序列特徵選擇函式，來選擇具備最高預(yù)測(cè)值的特徵子集，並且也透過MATLAB來檢驗(yàn)及實(shí)現(xiàn)該經(jīng)過規(guī)則化的判別分類器模型。

我們?cè)趶牟』紗柧砣〉玫馁Y料上訓(xùn)練一個(gè)分離的羅吉斯回歸（logistic regression）分類器，資料包含了臨床的風(fēng)險(xiǎn)因子，像是性別、身高、體重、年齡、視覺損傷、以及多種藥物（polypharmacy，處方藥物服用的數(shù)量）等等。把以感測(cè)器為基礎(chǔ)的模型和以問卷為基礎(chǔ)的兩個(gè)模型結(jié)果進(jìn)行加權(quán)平均，而得到了整體跌倒風(fēng)險(xiǎn)估計(jì)（圖5）。並使用類似的方法來產(chǎn)生病患脆弱程度的統(tǒng)計(jì)估計(jì)值。

圖5 : 從男性的跌倒風(fēng)險(xiǎn)估計(jì)模型取得的擾動(dòng)分析結(jié)果圖表。擾動(dòng)分析被使用來評(píng)估分類器的表現(xiàn)，並判斷隨著特徵值受到操縱，輸出值（跌倒風(fēng)險(xiǎn)估計(jì)）會(huì)如何變化的情形。

驗(yàn)證結(jié)果並佈署生產(chǎn)至硬體

我們以從幾千位病患收集來的臨床試驗(yàn)資料訓(xùn)練模型，並且評(píng)估了由混合分類器所產(chǎn)生的結(jié)果。作為分析的一部分，我們繪製脆弱性與跌倒風(fēng)險(xiǎn)的柱狀圖和散布圖，確認(rèn)了我們對(duì)於這兩個(gè)量測(cè)值有高度相關(guān)的假設(shè)（圖6）。

圖6 : 柱狀圖與散布圖顯示脆弱性與跌倒風(fēng)險(xiǎn)之間的關(guān)聯(lián)。

我們也以傳統(tǒng)的TUG測(cè)試和柏格氏平衡量表（Berg Balance Scale）針對(duì)特定病患群體的評(píng)估結(jié)果來比對(duì)QTUG的準(zhǔn)確度。舉例來說，最近有一個(gè)著重於帕金森氏癥的研究，顯示QTUG的精確度比TUG測(cè)試高了將近30%。在每一種方法，會(huì)衡量靈敏性（跌倒者被正確辨識(shí)的百分比）和精確性（未跌倒者被正確辨識(shí)的百分比）。接著繪製所有方法的ROC曲線圖，顯示使用QTUG時(shí)的曲線下面積最大。

為了在有觸控螢?zāi)坏腁ndroid裝置上實(shí)現(xiàn)QTUG分類器，我們重新把分類器以Java改寫。若要依據(jù)新的參考資料集來更新分類器的係數(shù)，我們只需要把這些係數(shù)從MATLAB匯出到會(huì)在接下來被合併到Android建置的Android資源檔案。

完整的QTUG Android應(yīng)用程式會(huì)為臨床醫(yī)師提供指南，包含測(cè)試、接收透過藍(lán)牙傳送的感測(cè)器資料、以分類器模型處理資料、呈現(xiàn)跌倒風(fēng)險(xiǎn)和脆弱性分?jǐn)?shù)等，且一併提供病患結(jié)果與其同儕結(jié)果的比較作為參考。

到目前為止，已有八個(gè)國(guó)家的臨床醫(yī)師使用QTUG來評(píng)估超過20,000名病患。隨著新的結(jié)果出現(xiàn)，我們持續(xù)改進(jìn)參考資料集，也開發(fā)了可以讓個(gè)人透過手機(jī)評(píng)估自己跌倒風(fēng)險(xiǎn)的MATLAB演算法，這個(gè)新的演算法可以處理從手機(jī)加速儀和陀螺儀取得的資料，然後產(chǎn)生簡(jiǎn)化版的跌倒風(fēng)險(xiǎn)估計(jì)，不需要親自到醫(yī)生的辦公室，還可以每天追蹤跌倒風(fēng)險(xiǎn)是否升高。

（本文由鈦思科技提供；作者Barry Greene任職於Kinesis Health Technologies）

參考文獻(xiàn)

[1] https://onlinelibrary.wiley.com/doi/full/10.1111/jgs.15304