(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210899905.1 (22)申请日 2022.07.28 (71)申请人 国家康复辅具研究中心 地址 100176 北京市经济技 术开发区荣 华 中路1号 (72)发明人 张静莎　李增勇　张腾宇　 (74)专利代理 机构 北京国贝知识产权代理有限 公司 11698 专利代理师 牟昌兵　于倩 (51)Int.Cl. G06V 20/40(2022.01) G06V 40/20(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)A61B 5/103(2006.01) A61B 5/11(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G16H 50/30(2018.01) (54)发明名称 一种跌倒风险评估方法及系统 (57)摘要 本发明公开了一种跌倒风险评估方法， 包 括： 步骤1： 对采集到的步态视频图像数据和足底 压力数据进行预处理； 步骤2： 将步骤1预处理后 步态视频图像数据和足底压力数据进行特征分 析； 步骤3： 将步骤2中得到的深度模态数据特征 向量XCNN、 彩色RGB模态数据特征向量YCNN、 三维骨 架模态数据特征向量ZLCC和足底压力数据特征向 量DRSS进行特征融合； 步骤4： 将待测样本输入到 训练好的遗传注意力神经网络的预测模 型中， 得 到跌倒风险评估结果； 步骤5： 根据待测样本的跌 倒风险评估结果推荐不同的干预方案 。 权利要求书1页 说明书11页 附图4页 CN 115147768 A 2022.10.04 CN 115147768 A 1.一种跌倒风险评估方法， 其特征在于所述方法包括： 步骤1： 对采集到的步态视频图 像数据和足底压力数据进行预处理； 步骤2： 将步骤1预处理后步态视频图像数据和足底压 力数据进行特征分析； 步骤3： 将步骤2中得到的深度模态数据特征向量XCNN、 彩色RGB模态数 据特征向量YCNN、 三维骨架模态数据特征向量ZLCC和足底压力数据特征向量DRSS进行特征融 合； 步骤4： 将待测样本输入到训练好的遗传注意力神经网络的预测模型中， 得到跌倒风险 评估结果； 步骤5： 根据待测样本的跌倒风险评估结果推荐不同的干预 方案。 2.根据权利要求1所述的跌倒风险评估方法， 其特 征在于步骤2包括： 步骤2‑1： 将步态视频图像数据中的深度模态数据信息通过卷积神经网络模型进行特 征提取， 得到特 征向量XCNN； 步骤2‑2： 将步态视频图像数据中的彩色RGB模态数据信息通过卷积神经网络模型进行 特征提取， 得到特 征向量YCNN； 步骤2‑3： 将步态视频图像数据中的三维骨架模态数据均分为 N个数据段； 步骤2‑4： 将足底压力数据按照步骤S2 ‑3中的方法也分为 N个数据段。 3.一种跌倒风险评估系统， 包括信息收集模块、 信息预处理分析模块、 特征融合模块、 跌倒风险评估模块， 其特征在于所述风险评估系统用于按权利要求1 ‑4所述的评估方法进 行跌倒风险评估。权　利　要　求　书 1/1 页 2 CN 115147768 A 2一种跌倒风险评估方 法及系统 技术领域 [0001]本发明涉及信息处 理领域， 尤其涉及一种跌倒风险评估方法及系统。 背景技术 [0002]随着人口老龄化加剧， 发生老年人跌倒的情况日益增多。 据统计跌倒是我国65岁 以上伤害 死亡首因， 是伤残、 失能、 致死主要原因。 有研究报告称， 因跌倒使老人健康预期寿 命缩短5‑10年。 据估算， 我国每年用于跌倒的直接医疗费用为100多亿元， 间接 费用为直接 费用的3‑5倍。 因此， 如何进行预防老人跌倒已成为社会和医疗面临的重大问题。 目前应用 较广的跌倒风险方法主要是平衡等方面的量表， 用于对老年人的跌倒风险进行评估， 但量 表估计过程繁琐， 不够客观定量， 结果记录不够精确， 对老年人的跌倒预防筛查能力比较有 限。 近年来 随着人工智能技术和大数据的迅速发展， 国内外学者开始将机器学习等人工智 能技术应用在跌倒风险预测方面， 通过对步态数据指标、 视频图像学、 惯性传感等信息进 行 大数据挖掘和分析， 进 行老年人跌倒风险评估。 这种方法大致可分为两类， 第一类是利用深 度学习算法如卷积神经网络对步态数据或视频图像或惯性传感的数据进 行建模预测， 而 单 一数据很难将跌倒的高危风险因素完全表征； 第二类是利用深度学习中的某种算法对步态 数据指标、 视频图像学和惯性传感等方面的多源数据进行建模预测， 而单一神经网络不能 同时学习到多源异构数据的特 征， 导致跌倒风险评估结果并不理想 。 [0003]为此， 本发明提供了一种跌倒风险评估方法及系统， 充分发挥了多源异构数据的 关联性和互补性， 基于深度学习神经网络对步态视频图像数据、 足底压力数据和头部图像 数据进行多层次特 征融合分析， 从而实现老年人跌倒风险的精准评估筛查。 发明内容 [0004]为实现本发明之目的， 采用以下技 术方案予以实现： [0005]一种跌倒风险评估方法， 包括： 步骤1： 对采集到的步态视频图像数据和足底压力 数据进行预处理； 步骤2： 将步骤1预处理后步态视频图像数据和足底压力数据进行特征分 析； 步骤3： 将步骤2中得到的深度模态数据特征向量XCNN、 彩色RGB模态数据特征向量YCNN、 三 维骨架模态数据特征向量ZLCC和足底压力数据特征向量DRSS进行特征融合； 步骤4： 将待测样 本输入到训练好的遗传注意力神经网络的预测模型中， 得到跌倒风险评估结果； 步骤5： 根 据待测样本的跌倒风险评估结果推荐不同的干预 方案。 [0006]所述的跌倒风险评估方法， 其中步骤2包括： [0007]步骤2‑1： 将步态视频图像数据 中的深度模态数据信息通过卷积神经网络模型进 行特征提取， 得到特 征向量XCNN， ， [0008]XCNN＝Feedforward(W1CNN， B1CNN； M1JJ， M1PL； X) [0009]其中， XCNN是卷积神经网络模型提取得到的特征向量； Feedforward是前馈神经网 络函数； W1CNN是卷积神经网络模型的权重矩阵， B1CNN是偏置参数； M1JJ是卷积模块的卷积层， 卷积核为3*2， 卷积步长为1*1； M1PL是卷积模块的池化层， 池化层为2*2的最大池化核； X为输说　明　书 1/11 页 3 CN 115147768 A 3