一种关于老人跌倒风险的预警与干预方法

本发明属于健康监测与医疗辅助，具体涉及一种关于老人跌倒风险的预警与干预方法。

背景技术：

1、跌倒是我国65岁以上老人伤害死亡的首位原因，超70%的跌倒事件发生在居家场景，独居老人跌倒后无法及时获得救援的比例超50%，极易造成二次伤害、终身残疾甚至死亡，随着世界老龄化现象逐渐加重，跌倒越来越受到重视。目前跌倒监测、跌倒风险预警以及跌倒干预已成为研究的重点。

2、现有的老人跌倒监测装置大多数以跌倒发生后的事后报警为核心功能，仅能识别跌倒已发生的事件，无法捕捉跌倒前驱信号、预判风险演化，预警严重滞后，缺乏事前预防能力；而且跌倒监测装置普遍采用通用固定阈值或静态分级规则，未适配老人个体健康差异，无法应对不同老人的步态、生理特征差异，同时无法区分跌倒与坐下、躺下、上下楼梯等日常动作，使得风险判定精度不足，误报、漏报率高，误报率高导致老人佩戴依从性极差，漏报率高则带来严重安全隐患；而且跌倒监测装置预警与干预逻辑固定，无法适配老人的实时状态，未考虑老人的实时自主响应能力，易出现误报频繁打扰家属或者老人无响应时救援滞后的问题，干预有效性极低。

技术实现思路

1、为了解决上述现有技术中存在的问题，提供了一种关于老人跌倒风险的预警与干预方法，旨在解决现有装置无法根据不同老人的健康差异与实时状态对跌倒风险进行实时干预的问题。

2、本发明解决其技术问题所采用的技术方案是：

3、一种关于老人跌倒风险的预警与干预方法，包括以下步骤：

4、s1、构建目标老人关于跌倒的风险档案库与风险基线库并评定出相应的初始跌倒风险等级；

5、s2、通过可穿戴设备对目标老人进行多源数据的采集与预处理；

6、s3、构建出跌倒风险的动态熵值量化模型进行跌倒风险的量化与预判并进行预警，所述跌倒风险的量化是将跌倒风险分为不同的风险熵并实时计算目标老人的总风险熵值，基于总风险熵值将跌倒风险划分为不同的风险等级，所述跌倒风险的预判是将总风险熵值的变化速率与预设的风险跃升阈值进行对比，当变化速率超过预设的风险跃升阈值时提前触发对应风险等级的预警；

7、s4、预警触发时验证目标老人的自主响应能力并结合风险等级进行自适应干预。

8、本方案中，对跌倒事件进行了事前预防、事中救援、事后护理的全链路闭环干预护理，通过动态熵值量化模型得出总风险熵值，而总风险熵值的变化速率与风险跃升阈值做对比，能够实现跌倒风险的提前预判，从而避免了预警的滞后，保障了对跌倒风险的及时干预。

9、优选的，所述步骤s3中，所述风险熵分别为基础风险熵、瞬时行为风险熵、生理应激风险熵、环境风险熵，所述风险熵是实时计算的，所述风险熵的熵值均归一化至0-1区间；

10、所述总风险熵值的计算公式为：总风险熵值=基础风险熵×w1 + 瞬时行为风险熵×w2 + 生理应激风险熵×w3 + 环境风险熵×w4，其中w1、w2、w3、w4分别为四个风险熵对应的动态权重，所述动态权重是根据目标老人的初始跌倒风险等级与实时场景进行调整，且w1+w2+w3+w4=1；

11、所述权重w1会随着目标老人初始跌倒风险等级的提升而增大；所述权重w2会随着目标老人存在步态异常、躯干大幅晃动时提升0.1-0.2；所述权重w3会随着目标老人存在体位性血压骤变、心率异常波动时提升0.1-0.2；所述权重w4会随着目标老人处于夜间场景、高危区域场景下提升0.05-0.15；

12、所述总风险熵值的变化速率超过预设的风险跃升阈值时，能够预判出目标老人的跌倒风险将在15-60秒内发生风险等级跃升，并提前触发跃升后所对应风险等级的预警与干预，实现跌倒事件的提前预判。

13、本方案中，通过动态调整的权重能够根据初始跌倒风险等级与目标老人的实时状态自适应调整权重分配，使总风险熵值对当前跌倒风险的量化更准确，从而提高对风险等级跃升的提前预判，将预警窗口从跌倒前3-5秒提前至15-60秒，真正实现了跌倒前的超前预防，从根源降低跌倒发生率。

14、优选的，所述风险等级划分为低风险、中风险、高风险、极高风险，所述低风险，对应总风险熵值小于0.3，被判定为无跌倒风险，目标老人状态正常；所述中风险，对应总风险熵值大于等于0.3且小于0.6，被判定为存在潜在跌倒风险，需关注干预；所述高风险，对应总风险熵值大于等于0.6且小于0.9，被判定为存在极高跌倒概率，需立即干预；所述极高风险，对应总风险熵值大于等于0.9，被判定为跌倒事件已发生，需紧急救援；所述极高风险的触发需同时满足三重判定规则：加速度冲击峰值超过预设阈值、重心高度骤降幅度超过预设阈值、倒地姿态锁定持续超过预设时长，同时设置15-30秒的人工撤销窗口期，目标老人可通过一键呼救按键手动撤销报警，所述人工撤销窗口期的时长依据风险等级设置，低、中风险时设置为30秒，高风险时设置为20秒，极高风险时设置为15秒。

15、本方案中，通过将总风险熵值划分为低、中、高、极高四个等级以及极高风险触发的三重判定规则，能够精准识别真实跌倒并排除快速坐下、弯腰等日常动作，有效避免了跌倒报警的误触发，结合人工撤销窗口期的设置，确保了极高风险情况下紧急救援的同时，保障了老人的自主纠错权，避免了因误报带来的社会资源浪费。

16、优选的，所述步骤s4中，所述验证的流程是当系统触发任意等级的风险预警时，可穿戴设备的辅终端立即发起自主响应能力验证；所述验证的响应方式包括语音交互应答、一键呼救物理按键响应、预设姿态指令反馈三种中的至少一种；所述验证的响应时长是根据当前风险等级设置：低风险15秒、中风险10秒、高风险5秒、极高风险3秒；

17、所述自主响应能力是根据目标老人在验证窗口内的响应时长、响应完成度进行实时评估，将自主响应能力划分为完全响应、部分响应、无响应三个等级；所述自主响应能力等级的划分规则为：完全响应为验证窗口前二分之一时长内完成有效应答，部分响应为验证窗口末尾才完成有效应答或仅完成部分指令，无响应为验证窗口结束时未完成任何有效应答；

18、所述自适应干预是根据预警触发时的风险等级与自主响应能力的等级相结合去动态调整预警的风险等级与信息推送范围；

19、其中，所述中风险结合完全响应：仅触发可穿戴设备的本地柔和震动以及语音提醒，不触发外部联动；

20、所述中风险结合部分响应或无响应：预警的风险等级升级为高风险，推送预警信息至紧急联系人与社区护工；

21、所述高风险结合完全响应：触发可穿戴设备的强提醒以及智能家居联动，不触发紧急救援；

22、所述高风险结合部分响应或无响应：预警的风险等级升级为极高风险，触发紧急救援联动；

23、所述极高风险结合完全响应：推送报警信息至第一层级紧急联系人，等待老人确认是否升级救援；

24、所述极高风险结合部分响应或无响应：立即触发最高级别紧急救援，同步全部信息至紧急联系人、养老服务机构与急救站点。

25、本方案中，通过自主响应能力等级与当前风险等级的组合能够进行自适应干预，使得干预强度与推送范围能够依据老人实际状态动态调整，在避免误报的同时确保真正危急时实施最高级别救援，杜绝了将老人昏迷误判成低风险情况，实现了准确的按需响应。

26、优选的，所述干预还分为事前干预和事中干预，所述事前干预是针对中风险、高风险且跌倒事件未发生的场景，属于预防性干预。其中，干预措施分三级执行：第一级为可穿戴设备的实时行为干预，通过可穿戴设备播放针对性语音引导，纠正目标老人的异常行为，阻断跌倒风险升级；第二级为智能家居联动干预，通过家庭边缘网联动居家智能设备，消除环境跌倒诱因；第三级为长期健康干预，基于长周期的总风险熵值变化数据，生成跌倒预防方案，推送给目标老人、紧急联系人与社区医护人员；所述实时行为干预是基于风险触发原因的语音引导，所述智能家居联动干预包括高危区域灯光全开、智能门锁解锁、智能扶手启动；

27、所述事中干预是针对极高风险且跌倒事件已发生的场景，其中，干预措施：首先通过可穿戴设备循环播放自救引导语音，避免目标老人盲目起身造成二次伤害；同时持续采集目标老人的实时生命体征数据，同步推送至紧急联系人与急救机构；自动循环拨打预设的层级紧急联系电话，全程开启免提双向通话；推送目标老人的精准定位、居家地址、门禁通行信息、健康档案核心信息至救援人员，缩短救援到场时间。

28、本方案中，通过事前的语音纠正和家居联动消除造成跌倒的原因，从而阻断跌倒发生；通过事中推送精准的定位与门禁信息，缩短救援时间并防止发生二次伤害，同时对导致跌倒隐患的消除，降低了再次跌倒的可能，并非只进行单次跌倒事件的干预护理。

29、优选的，所述步骤s1中，所述风险档案库是由目标老人的全部静态基础信息构成，所述静态基础信息包括体重、既往跌倒史、慢病病史、影响人体平衡与血压调节的用药史、药物过敏史、紧急联系人；

30、所述风险基线库是由目标老人专属的正常阈值基线构成，所述正常阈值基线是根据目标老人身上的可穿戴设备在连续7-14天内采集的生活场景日常数据建立的，所述正常阈值基线包括运动学基线、生理特征基线、日常活动节律基线、居家环境风险地图；

31、所述初始跌倒风险等级是结合目标老人的静态基础信息与正常阈值基线，采用摩尔斯跌倒评估量表评定出的，所述初始跌倒风险等级为动态熵值量化模型中风险因子的初始权重，为实时风险评估提供基准。

32、本方案中，通过由静态基础信息构成的风险档案库以及由可穿戴设备7-14天日常数据建立的正常阈值基线，为目标老人建立专属的健康与风险数据库，再结合摩尔斯跌倒评估量表确定初始风险等级，使得后续风险计算的基准权重更贴合目标老人，提高了风险评估的准确性，大幅降低了个体差异导致的误判和漏判。

33、优选的，所述运动学基线包括正常步态参数、静息或动态姿态角阈值、躯干晃动幅度阈值、重心高度正常变化范围；所述生理特征基线包括静息或动态心率正常区间、心率变异性正常区间、血氧饱和度正常阈值、血压昼夜节律区间、体位性血压变化最大阈值；所述日常活动节律基线包括目标老人日常活动的时间规律、活动范围阈值；所述居家环境风险地图标记目标老人居家场景内的高危区域与安全区域；其中，所述正常步态参数包括步频、步长、步态周期、支撑相占比；所述静态或动态姿态角包括俯仰角、横滚角、偏航角；所述高危区域包括卫生间、楼梯间、厨房，所述安全区域包括客厅、卧室。

34、本方案中，通过细化运动学、生理特征、活动节律及居家环境风险地图的基线数据，将人体状态与环境场景进行叠加计算，为后续风险熵的计算提供了的参照，增强了跌倒风险识别的灵敏度。

35、优选的，所述步骤s2中，所述可穿戴设备由腰腹佩戴式主终端和腕带式辅终端组成，所述主终端佩戴于人体腰腹重心位置，所述主终端集成9轴imu惯性测量单元、气压计、双模定位模块、一键呼救物理按键，所述辅终端佩戴于手腕处，所述辅终端集成ppg光电容积脉搏波传感器、皮电传感器、语音交互模块、拾音放音模块，所述主终端与辅终端之间进行毫秒级时间戳同步，完成多传感器数据的同步采集，所述主终端与辅终端的时间戳同步精度不低于10ms；所述9轴imu惯性测量单元包括三轴加速度计、三轴陀螺仪、三轴磁力计；双模定位模块包括gps、北斗室外定位模块与室内uwb定位模块；

36、其中，所述9轴imu惯性测量单元采集的运动学数据采用卡尔曼滤波算法进行降噪处理，所述ppg传感器采集的生理信号采用滑动平均滤波算法进行平滑降噪，剔除传感器抖动、佩戴接触不良导致的无效数据；所述可穿戴设备端能够进行多传感器数据的时间戳对齐、数值归一化处理，所述数值归一化处理采用min-max归一化方法，将预处理后的数据与风险基线库做实时差值校准，识别出设备脱落、佩戴异常、信号中断的异常场景，同时触发本地佩戴提醒，且对应的异常数据不纳入后续风险评估计算。

37、本方案中，通过腰腹主终端与腕带辅终端的可穿戴设备，实现了对惯性运动学数据与光电容积脉搏波、皮电等生理数据的同步采集，并通过卡尔曼滤波算法和滑动平均滤波算法识别并剔除了设备脱落、接触不良等无效数据，从源头阻断了因佩戴问题产生的误报警，保证了后续模型输入数据的准确，提高了后续风险评估的可靠性。

38、优选的，所述基础风险熵是根据目标老人的风险档案计算得到，为静态基础风险值，更新周期为1个月或目标老人健康状态发生重大变化时，基础风险熵是基于摩尔斯跌倒评估量表的评分结果线性归一化至0-1区间得到；

39、所述瞬时行为风险熵是根据9轴imu采集的实时运动学数据，计算其与运动学基线的偏离程度、时间序列变化速率得到，更新频率为100hz，瞬时行为风险熵的计算包括步态参数偏离度、姿态角偏离度、躯干晃动幅度、重心高度变化速率四个核心特征；

40、所述生理应激风险熵是根据ppg、皮电传感器采集的实时生理数据，计算其与生理特征基线的偏离程度、变化速率得到，更新频率为20hz，生理应激风险熵的计算包括心率偏离度、心率变异性变化幅度、体位性血压变化幅度、血氧饱和度偏离度、皮电反应变化幅度五个核心特征；

41、所述环境风险熵是根据双模定位模块的实时位置数据、居家环境风险地图，结合当前场景的危险程度计算得到，更新频率为1hz。

42、本方案中，通过将跌倒风险拆解为基础、瞬时行为、生理应激、环境四类风险熵，并根据档案信息、运动偏离程度、生理偏离程度和当前环境进行计算，使得总风险熵值能够将跌倒的原因全部包含，能够更全面、实时地反映老人跌倒的风险。

43、优选的，所述动态熵值量化模型的迭代优化采用联邦学习框架构建模型迭代体系，将跌倒事件真实数据、干预效果反馈数据用于优化跌倒风险的动态熵值量化模型的权重与判定阈值；

44、所述联邦学习框架采用横向联邦学习架构，各终端在本地完成模型训练，仅上传加密后的模型梯度参数至云端聚合，全程不传输原始隐私数据；

45、所述联邦学习的全流程数据采用端到端加密传输，云端存储采用脱敏加密处理，原始数据优先存储于可穿戴设备本地与家庭边缘网关，云端仅上传加密后的特征数据，不存储目标老人的原始隐私数据，为目标老人提供数据的完全控制权，支持随时关闭数据采集、调整预警与联动权限、删除云端存储数据。

46、本方案中，通过联邦学习框架在不泄露老人原始运动、生理、位置等隐私的前提下，实现了模型的跨终端持续进化，打破了精准模型必然牺牲隐私的困局，使得模型能够利用跌倒和干预反馈数据持续迭代优化，同时保证用户对数据的控制权。

47、与现有技术相比，本发明的有益效果是：

48、1、本发明通过动态熵值量化模型以及总风险熵值的变化速率预判风险演化趋势，将对目标老人跌倒的预警提前，更留出了后续进行干预的时间，实现了跌倒前的超前预防，从根源降低了跌倒发生率，能够提前防止跌倒发生，不再只是跌倒后快速救助，再配合自主响应能力与风险等级结合形成的自适应干预将老人的实时自主响应能力作为干预策略的核心，实现了动态的精准干预，既解决了传统方案针对不同老人的健康差异与实时状态时风险判定精度不足，误报、漏报率高的问题，又避免了无响应导致独居老人的救援滞后问题，大幅提升了针对不同老人进行干预的有效性。

49、2、本发明通过全流程预警、干预的处置适配了老人个体的健康差异，实现了跌倒风险的精准量化，大幅降低误报率与漏报率，同时动态熵值量化模型与联邦学习的结合构建了越用越准越贴身的个人专属防跌倒体系以及千人千面的个性化风险判定体系，利用每一次的跌倒事件及其干预效果去优化动态熵值模型的权重和预判阈值，同时事后产生的康复数据又会更新个人风险基线，这使得系统对特定老人的跌倒风险感知会随着使用时间推移而愈发精准，干预措施愈发贴合其身心变化，能够对预防效果进行持续强化，避免了干预的固化以及无法适配老人实时状态。

50、3、本发明通过事前预警干预、事中救援干预与模型迭代构建了全流程的闭环管控体系，既实现了单次跌倒风险事件的预警、干预、救援的处置闭环，又实现了长期风险管控的数据采集、模型评估、方案优化、效果反馈的迭代闭环，不仅能减少了跌倒事件的发生，还能降低跌倒后的二次伤害与复发风险，能够持续降低老人的基础跌倒风险与跌倒复发率，实现了老年跌倒风险的全周期管控。