利用基于物理的床模拟技术预测患者起床困难风险 金载荣（Jaeyong Kim）、 金贤宇（Hyeonwoo Kim）、 元智桓（Jihwan Won）、 李智温（Jiwoon Lee）、 金贤正（Hyeonjung Kim）、 延顺宇（Sunwoo Yeon）、 孙良熙（Ryanghee Sohn）、 赵永镐（Youngho Cho）以及 朴喆洙（Cheolsoo Park）

《Sensors》：Fall-from-Bed Risk Prediction Using Physics-Based Bed Simulation Jaeyong Kim, Hyeonwoo Kim, Jihwan Won, Jiwoon Lee, Hyeonjung Kim, Sunwoo Yeon, Ryanghee Sohn, Youngho Cho and Cheolsoo Park

　　

摘要

从床上跌落是医院和长期护理机构中一个严重的安全问题；然而，大规模的真实跌落数据非常罕见，且收集这些数据在伦理上存在限制。本研究探讨了是否可以通过仅考虑静态的床上姿势（不考虑时间变化）来推断跌落风险。我们在MuJoCo平台上开发了一个基于物理原理的床-人模拟器，通过采样多种初始姿势，模拟三秒内的无控制动态，并通过检测与床面的接触来判断是否发生跌落来生成标记数据。每个初始姿势被表示为一个以床为中心的坐标系中的13个关键点的2D骨架模型，该模型经过归一化处理以适应固定的床缘限制，并通过每秒30帧的网格计算每个帧的跌落风险来得出连续的风险标签。在一个包含50,000个初始姿势的平衡姿势模拟测试集上，表现最佳的多层感知器预测模型的接收者操作特征曲线下面积为0.9755，精确度-召回率曲线下面积为0.9771，F1分数为0.9138，平均平方误差为0.0374（基于五个随机样本的平均值）。与完全随机抽样相比，基于姿势分层的初始化方法提高了预测性能。在仰卧、俯卧和侧卧这三个子群体中，预测性能始终保持较高水平，并且随着训练集规模的增加而进一步提升。这些结果表明，在匹配的模拟器动态条件下，静态姿势包含了关于跌落风险的预测信息，从而支持在受控环境中使用基于姿势的风险评分方法的可行性。