老年人身体活动测量的简单可靠方法：骨骼化身技术

医学信息学解锁24（2021）100609骨骼化身技术作为测量健康老年人身体活动的一种方法AlisaLinckea，*，CeciliaFagerstro？mb，d，MirjamEkstedtb，c，WelfLo？wea，SofiaBackåbergba瑞典林奈大学技术学院计算机科学与媒体技术系b瑞典林奈大学健康与生命科学学院健康与护理科学系c瑞典d瑞典卡尔马市卡尔马县研究科，邮编39185A R T I C L EI N FO关键词：加速度计天平机器学习老年人身体活动自我评估A B S T R A C T背景：目前，自我报告评估（SA）和基于加速度计的评估（AC）是测量老年人日常生活体力活动（PA）的常用方法。SA方法简单、成本低、可用于大型流行病学研究，但其信度和效度一直受到质疑。加速度计测量已被证明是有效的，以提供准确和可靠的测量日常生活中的身体活动的频率，持续时间和强度在老年人，但昂贵，需要长时间的测量。此外，这里缺乏定义明确和可靠的加速度计截止点来测量。在老年人中肯定是这样。因此，有必要开发一种简单可靠的方法来补充/取代日常生活体力活动的自我评估方法，并促进未来制定衡量老年人日常生活体力活动的截止点。在这项研究中，我们探讨如何骨架化身技术（SAT）可以用来测量PA中老年人。目的：1.探讨加速度计数据与老年人日常生活体力活动自我评估数据之间的关联。探讨如何SAT的标准化功能（平衡）测试可以用来衡量老年人的日常生活体力活动方法：采用相关分析探讨反应变量之间的相关性，采用深度神经网络预测反应变量（AC和SA结局）。结果：结果表明，AC和AC之间存在中度（r=0.31）显著（p=0.029）相关性。PA和PA。用SAT评估的功能平衡测试能够预测AC的平均绝对误差（MAE）为3.89%，SA的平均MAE为11.07%。结论：总的来说，这些结果表明，一个功能平衡测试与SAT测量可用于预测PA结果与加速度计设备测量。SAT可以预测PA结果比SA结果更好-在同一人群中。需要更多的研究来探索SAT预测具有各种功能能力的老年人PA的能力，以及如何使用2D记录（如手机记录）来开发SAT以有效地预测PA1. 介绍维持老年人的日常生活体力活动（PA）对生活质量，独立生活，跌倒风险，心血管[1]和代谢健康[2PA水平随着年龄的增长而下降[5，6]，这对慢性疾病和死亡率的负担有严重影响[7]。因此，建议老年人定期进行各种体育活动，每周150-300分钟，强度适中。除此之外，老年人建议每周进行三天或更长时间的身体活动以增强平衡，每周进行两天或更长时间的肌肉强化活动以防止跌倒和防止身体功能（WHO 2020）。PA是一种可改变的行为，对维持功能能力和健康有很大贡献[7]。因此，预防老年人身体损伤和跌倒相关伤害的措施尤为重要。通过对PA的定期评估，可以及早采取干预措施，这可能会防止老年人的活动能力丧失，提高生活质量，并延长老年人的独立生活。在* 通讯作者。电子邮件地址：alisa. lnu.se（A. Lincke）。https://doi.org/10.1016/j.imu.2021.100609接收日期：2021年4月6日;接收日期：2021年5月17日;接受日期：2021年5月2021年5月21日网上发售2352-9148/© 2021作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA. Lincke等人医学信息学解锁24（2021）1006092===-然而，社区护理、日常康复和预防工作并不总是与家庭护理同等重要。原因是目前的评估方法不足，即，成本太高、复杂、不可访问和/或不准确。结果可能是老年人的PA和功能变得不那么明显，并且没有进行早期干预。因此，测量老年人的PA对于识别处于风险中的老年人并预防长期疾病和损伤非常重要。然而，目前缺乏常规重复、可靠、有效和廉价的方法来测量老年人的PA，需要开发新的方法[8]。2. 相关工作目前测量PA的方法是自我报告评估（SA）和捕获运动的可穿戴设备，如加速度计。存在几种测量老年人PA的SA问卷，如国际体力活动问卷[9]、标准7天体力活动回忆问卷[10]、Zutphen体力活动问卷[11]。自我评估的身体活动可以通过在线问卷或在预约期间完成，物理治疗师或临床医生，通常关注过去几天、几周或几个月的PA性能。使用SA的优点是它具有成本效益，并且可以用于大型流行病学研究以生成大型数据集。然而，一些研究显示SA方法对老年人的局限性，例如记忆保留（认知）[12，13]，过度报告[14]，高估/低估体力活动时间的倾向[12]，情绪的影响，抑郁等。加速度计的局限性是多方面的。 它们的成本很高，大规模的研究，他们缺乏关于由于连接到个人的臀部或腿部的上身运动的信息。代谢当量任务（MET）不是100%正确的，因为它们不能检测一个人是否有任何体重[16]。缺少老年人的既定和可靠的加速计截止值[17]。对于中度至剧烈PA，建议的截止值1.041计数/分钟[18]取决于加速度计的类型和身体上的放置[19]。最近的文献综述[17]表明，将加速度计与倾角计结合用于测量久坐行为时，因此，目前主要用于研究[15]。其他研究将加速度计与GPS传感器相结合，以测量室外和室内环境中的PA[20，21]。结果显示，对于那些在室内和室外都进行身体活动的人来说，这种积极的关联和更好的健康结果[21]。然而，并非所有老年人在户外活动中都感到安全，因为有跌倒的风险[21]。此外，GPS信号质量差导致可用数据量减少[20]。因此，使用额外的传感器和设备不一定会降低复杂性（数据收集，数据同步和分析）和测量老年人PA的时间在我们的研究中，我们感兴趣的是一个低障碍的工具，以最少的时间和精力来测量PA。骨骼化身技术（SAT）以2D形式记录人体运动或3D，估计运动记录中关节的位置，并使用人工智能（AI）分析所得的简笔画序列3D SAT能够有效和充分地评估人体运动，例如，用于检测老年人跌倒的风险[22]以及评估平衡和姿势控制[23]。它还可以用于准确，客观和自动评估运动质量[24在我们之前的研究中[27]，我们使用SA测量了54名健康老年人的PA，并使用功能测试（FT）和SAT测量了功能能力（移动性和平衡性）。我们探讨了FT、SAT和SA之间的关系。用SAT评估的功能平衡似乎可以很好地预测功能测试评估，如30 s椅子站立测试（30sCST）和4阶段平衡测试（4SBT）。虽然以前的研究主要集中在评估功能性能力（移动性和平衡性），但在本研究中，我们寻求一种新的解决方案来常规测量老年人的体力活动，在时间和复杂性方面的努力最小。因此，本随访研究的目的是（1）探索老年人日常生活体力活动的加速度计数据（AC）和自我报告的评估数据（SA）之间的关联，以及（2）如何使用标准化功能（平衡）测试的SAT来测量老年人的日常生活体力活动（PA）。在文献中，PA被定义为骨骼肌构建产生的身体运动，导致能量消耗（EE）[28]。EE的总量取决于活动的类型（如步行，跑步，游泳等），其频率、强度和持续时间[29]。PA可以用EE和/或MET来测量，使用加速度计设备。许多研究表明，使用加速度计/运动传感器作为老年人久坐行为（SB）和PA的测量工具的有效性和可靠性[17，18，30用连续数据的类内相关系数（ICC）检验了加速度计的可靠性，表明其可靠性达到了可接受的水平（ICC0.80）测量老年人SB [17，36]。加速度计的有效性是指准确评估PA和/或EE [17]。先前的研究表明，(0.48>r>0.63），通过双标记水(DLW)方法和加速度计[35]，以及高精度（>80%），测量/分类日常生活活动（行走、站立、坐下等）在老年人中[17，31，37]。然而，其他一些研究报告了使用加速计对老年人EE的不准确估计[35，38，39]。已验证的最常用加速度计 用于老年人的最佳跟踪器是ActiGraph（GT3X、GTM1型号）、ActivPAL和三轴研究跟踪器（RT3）[16、17、19、40、41]。以前的许多研究都探讨了自我报告的PA水平与日常生活活动（如步行，跑步，坐着等）之间的关系，老年人加速计记录的MET中的PA[11，42-45 ]。他们发现PA的SA和基于加速度计的PA之间存在中度相关性，Spearman相关系数为r0.33 [43]，r0.34 [11]，r0.28 [45]。男性倾向于报告PA比女性高25%[44]，而基于加速度计的PA没有发现显著差异。此外，与加速度计数据相比，人们报告了更少的久坐行为和更高水平的剧烈强度PA [44]。 几项研究表明，通过自我报告问卷测量的总PA与加速度计数据之间的相关性差异很大，但低于可接受水平[11，44]。只有少数研究调查了功能之间的关系在老年人中的平衡测量和日常生活体力活动[46一项研究提供的证据表明，PA对老年健康成人的平衡结果有积极影响[49]。另一项研究[46]发现，加速度计测量的功能平衡与加速度计测量的PA之间存在很强的关联。因此，需要更多的研究来调查平衡和PA之间的长期关联[49]，并找到更多可能影响体力活动的因素[46]。许多研究解决了定义MET临界点和加速计临界点的问题，以客观地评估老年人的身体活动[9，36，50-52 ]。 临界点对于临床医生定义患者的症状/健康状态是有意义的。因此，我们支持MET和加速计临界点研究，因为它对于客观测量老年人的PA至关重要。然而，创建一种通用方法来识别老年人的MET和加速度计临界点是具有挑战性的，该方法对于例如，年龄、健康和慢性疾病。因此，在这项研究中，我们使用了延续评分而不是特定的阈值/临界点，其中较高的值意味着一个人具有高PA，较低的值意味着该人具有低PA。有必要开发一种简单可靠的方法来补充/替代日常生活体力活动的自我评估方法，并促进未来制定衡量老年人日常生活体力活动的截止点。SAT的发展，可能客观地衡量身体活动和基于短期平衡测试应该是有益的。A. Lincke等人医学信息学解锁24（2021）1006093××3. 材料和方法3.1. 研究设计和参与者表2人口统计学、通过自我评估测量的PA和参与者的加速计数据（n = 54，缺失0-1.9%）。本研究采用横断面设计，对我们先前研究中从54名老年人收集的数据进行了初步分析[27]。社区居住的老年人（65岁以上）通过电子邮件/电话通过四个养老金领取者共有54名老年人（38名女性和16名男性）报名参加了这项研究。所有参与者都签署了知情同意书，经瑞典伦理审查机构批准（Dnr：2019-02553）。3.2. 数据收集参与者首先完成了一份关于PA的自我评估问卷（见表1），以及一份关于其性别、年龄、体重、身高、诊断和症状的人口统计学信息问卷（见表2）。调查问卷的答案用EX cel保存在表1PA的自我评估问题N问题分数分数描述多变的男人妇女总1你坐着和躺着的次数有多少1永远不要得分0如果你把睡觉的时间算进去的话2 13 44 75 106 137最全天久坐不动的生活方式2你花了多少时间1> 300分钟得分0一周有规律的日常体育活动3你每周花多少时间进行让你感到呼吸急促的体育锻炼？2 1503 904 605 306 <30分钟7 没有时间1> 300分钟2 1503 904 605 306 <30分钟7 没有时间意味着更多的体力得分0-6，得分越高表示体力活动越多（%）你锻炼多长时间？n（%）4目前，您是否定期进行身体活动？5在过去的6个月里，你是否经常进行体育锻炼？6你有培训是/否0-否，1-是是/否0-否，1-是是/否0-否，1-是节目？如果是：- 你多久做一次运动？- 你锻炼多长时间？- 你的锻炼计划有多艰苦？1 没有培训计划2 每周几次3 每周有时4 每天1 没有培训计划2 小于30分钟3 超过30分钟4 没有培训计划1 不费力2 小剧烈3 中度剧烈4 非常剧烈0-3分，分数越高表示运动次数越多/运动持续时间越长/剧烈运动项目越少逗号分隔值（csv）格式，并进一步浓缩为自我评估的PA评分，参见第2.3节，使用Matlab版本R2020a处理[53]。将ActivePAL（PAL Technologies Ltd，Glasgow，UK）设备连接到参与者的左大腿或右大腿，并用于收集7天内的日常生活活动。该装置体积小（35537 mm），重量轻（20 g），采样频率为10 Hz，数据为15 s历元。ActivePAL设备允许收集加速度计原始数据以及不同的活动，如踏步、从坐到站的过渡、坐、站、步行、骑自行车和MET中的ActivPAL活动评分。然而，在这方面，年龄（岁），平均值（SD）（n= 16）75.6（3.2）（n= 38）73.7（4.7）（n= 54）74.3（4.4）BMI，平均值（SD）26.2（4.5）25.9（5.4）26.0（5.1）通过SA坐卧，小时/天，n（%）从未0001-3小时4（25.0）3（8.1）7（13.2）4-6小时9（56.3）22（59.5）31（58.5）7-9小时1（6.3）8（21.6）9（17.0）10-12小时1（6.3）4（10.8）5（9.4）13-15小时1（6.3）01（1.9）大多数全天000体力活动，分钟/周，n（%）>300分钟八（50）20（54.1）28（52.8）150-299分钟5（31.3）7（18.9）12（22.6）90-149分钟1（6.3）5（13.5）6（11.3）60-89分钟01（2.7）1（1.9）30-59分钟03（8.1）3（5.7）<30分钟2（12.5）1（2.7）3（5.7）没有时间000运动（剧烈活动），分钟/周，n（%）>300分钟02（5.4）2（3.8）150-299分钟4（25.0）6（16.2）10（18.9）90-149分钟4（25.0）9（24.3）13（24.5）60-89分钟2（12.5）8（21.6）10（18.9）30 - 59分钟2（12.5）6（16.2）8（15.1）<30分钟3（18.8）3（8.1）6（11.3）没有时间1（6.3）3（8.1）4（7.5）你多久做一次运动？n活动没有培训计划八（50）14（41.7）22（45.0）每周几次四（二十五）10（29.4）14（29.0）每周有时1（6.6）8（23.5）9（18.3）每天2（13.3）2（5.88）4（8.2）没有培训计划八（50）十四（五十）22（45.0）小于30分钟5（33.3）9（26.4）14（29.0）超过30分钟2（13.3）11（32.4）11（22.0）你现在有多累你的锻炼计划没有培训计划八（50）十四（五十）22（45.0）不费力0（0.0）第一章（三）1（2.0）有些吃力三（二十）第六章（十七）9（18.4）中度剧烈三（二十）十三（三十八）16（33.0）非常艰苦1（6.2）0（0.0）1（2.0）通过ActivPAL平均每周步数795678037917每周从坐到站的转换，以434444平均每周平均坐着的时间为8.7小时8.78.7每周站立时数，平均4小时44A. Lincke等人医学信息学解锁24（2021）1006094==≥=×× =ActivPAL此外，ActivPAL不提供从其加速度计原始数据计算MET的透明方式。因此，决定在机器学习分析中不使用ActivPAL提供的活动评分。至于SA，使用相同的方法，日常生活活动数据在ActivPAL 4†软件的帮助下，将加速度计收集的数据导出为逗号分隔值（csv）文件，并进一步压缩到加速度计PA分数，参见第2.3节，使用Matlab版本R2020a处理[53]。3.3. 响应变量在数据预处理步骤中，我们对收集的SA和加速度计（原始csv）数据应用了以下过滤器和转换：(a)（b）使用（互补）累积分布函数（C）CDF对数据进行归一化;(c)使用所述个体变量分数的联合CDF将所述数据聚集为共同的自我评估活动分数（SA）和加速度计活动分数在步骤（b）中计算的SA和AC中的各个变量的归一化分数是最低活性的0和最高活性的1之间的值。请注意，对于步行和站立等变量，较低的观察值（以分钟/周或小时/天为单位）表示较低的活动，较高的值表示较高的活动。对于其他变量，如坐和躺，较高的值（小时/天）表示活动量低。 为了实现从最低到最高对活动的贡献的0到1之间的分数的归一化，我们使用CDF来归一化与活动正相关的变量（高变量值也意味着高活动），并使用CCDF来归一化与活动负相关的变量（高变量值实际上意味着低活动）。因此，对于SA，体力活动、锻炼、训练锻炼、锻炼持续时间和剧烈运动使用CDF标准化，而坐卧使用CCDF标准化。对于AC，使用CDF标准化踏步、坐立转换、步行、骑自行车、站立，使用CCDF标准化坐立变量。这种标准化的细节在我们以前的研究中有描述和动机[27]。3.4. 预测器的数据预处理如前所述，在我们之前的研究中[27]，使用Kinect摄像头记录了4SBT测试的第四阶段（单腿站立）运动，并在本研究中用作SAT数据。每个记录的锻炼运动是姿势帧的序列。每个姿势帧在记录的时间点以3D方式对受试者的关节位置进行编码。虽然记录了25个关节位置，但由于某些关节的可靠性较低，我们仅使用了以下13个：头部、左/右肩、左/右肘、左/右腕、左/右髋、左/右膝和左/右踝。每一帧都是特征的记录。如果一个特征是由3D相机直接测量的，则该特征被称为直接特征，如果该特征是从直接或其他间接特征计算的，则该特征被称为间接特征。直接特征包括x、y和13个骨架关节的z坐标。间接特征包括不同肢体与3D坐标系的轴之间的角度由于记录的受试者数量较少，我们应用了众所周知的数据增强技术[56]来人为增加训练和测试序列的数量。因此，我们在x和y方向上拉伸每一帧，拉伸因子为1左右的常数，我们绕y轴旋转每一帧，旋转角度为0分，我们镜像了帧。级联这些转换导致用于机器学习的单独运动序列的数量增加了大约1000倍。3.5. 统计分析使用Matlab版本R2020a进行描述性统计和Pearson 显著性设定为p<0.05. Pearson相关系数r用于确定用SA和加速度计测量的PA之间的依赖性。相关性结果被解释为低（r0.30）、中度（0.30r 0.60）或高（r0.60）。<<预测因子（4SBT运动的3D SAT数据）与响应变量之间的相关性分析，由于预测因子的数据类型（多维特征向量上的时间序列），未进行表（SA和AC评分）3.6. 机器学习我们应用了与之前研究相同的深度学习方法[27]，将3D SAT数据映射到SA和AC分数。输入数据是所描述的直接特征（骨骼关节的x、y和z坐标）和可选地间接特征（肢体与3D坐标系的轴之间的角度）的记录序列。我们对每个机器学习实验进行了两次，一次包含间接特征，一次不包含间接特征。除此之外，我们还对剪切序列（其中帧序列以抬起腿开始并以再次放下腿结束）和未剪切序列（包括受试者在开始运动之前进入位置或离开场景的一些帧）进行了实验。我们使用在比较[57]中报告的获胜动态时间规整（DTW）方法自动切割序列。这些变体中的每一个都被再次测试两次，一次是用标准化的，一次具有原始（直接和间接）特征。这导致关于每个机器学习实验的输入数据的alto- gether 238设置。响应/输出变量分别是第3.3（b）小节中描述的标准化-标准化-日常生活体力活动评分SA和AC。我们的机器学习实验应用了标准神经网络技术[58]，使用Tensorflow框架[59]在Python 3中实现。我们测试了两种主要不同的神经网络架构，它们需要学习的参数数量大致相同模型1。卷积神经网络（CNN）具有三个1D卷积层，深度分别为128，64和32个神经元，每个层后面都有一个大小为2的1D最大池化层，并使用ReLU激活，然后是一个输出层，具有使用sigmoid激活函数激活的单个输出（分数）模 型 2 。 一 个 递 归 神 经 网 络 （ RNN ） ， 有 三 个 长 短 期 记 忆 层（LSTM），每个LSTM有32个神经元，后面是一个输出层，如模型1所示。在所有架构中，我们使用了dropout，在第一层，或前两层的核和激活正则化（L2范数，惩罚为0.001），以避免过拟合，或两种正则化或没有正则化。 结果是2 2每台4个设置两个机器学习网络，以及两个输入变量，总共2 4 8 64个实验设置。根据先前研究中的模型性能，通过实验选择所有系统检测的变体及其参数设置[27]。除了上述简单的网格搜索之外，我们没有手动微调或自动优化变体及其参数。由于样本量相当小，我们对SAT对AC的主要预测能力相当感兴趣。为了开发和优化生产质量模型，这是未来的工作，需要更大的数据集。对于每个实验（设置），我们进行了10倍交叉验证。我们将输入序列随机分为10个折叠，每个折叠约占数据的10%。我们没有混合增广序列，即，所有转化的序列保持与其原始序列相同的折叠每个--A. Lincke等人医学信息学解锁24（2021）1006095∈=≥=-=-=-=-=-=-=-48次实验共进行10次，每一次作为测试数据，其余9次作为训练数据。我们没有保留额外的验证数据。我们选择平均绝对误差（MAE）分别评估训练和测试数据的模型由于SA和AC评分介于0和1之间，因此理论MAE[0，100%]也是如此。的机 器 学 习 结 果 被 解 释 为 良 好 （ MAE10% ） ， 中 度 （ 10% ） ，

下载后可阅读完整内容，剩余1页未读，立即下载