使用混合机器学习和深度学习方法以及新颖的姿势学进行跌倒风险评估

本项目的目的是将基于 HTC VIVE 跟踪器的新型姿势学与混合机器学习和深度学习算法相结合，建立一套简单、方便、有效的跌倒风险评估工具。 这项观察和跟踪研究的对象是社区 60 岁以上的老年人。 调查人员将收集人口统计数据、问卷调查、传统平衡测试（Berg Balance scale、Timed-up-and-go、30s-sit-to-stand、四阶段平衡测试）和基于跟踪器的姿势图来获取躯干不同站立任务中的稳定性参数。 跌倒风险将根据过去一年内自我报告的跌倒情况进行分类，并在 6 个月的随访中进行验证。

研究人员将评估不同混合机器学习和深度学习算法的性能，以提取多个姿势参数的重要特征并选择最佳模型。 研究人员将使用接受者操作特征曲线分析来计算不同风险分类算法的灵敏度、特异性和准确性，并将性能与传统的平衡评估工具进行比较。 研究人员将评估这些姿势特征与通过其他方法获得的数据的相关性。 还将分析先前跌倒和未来跌倒的风险因素。