| 作品介紹 |
隨著醫療的進步，人們也越來越長壽，老年人口的比例也將越來越多。世界衛生組織2021年所提出的老齡化與健康研究顯示，預估在2015年至2050年間，全球60歲以上老年人口比例將從12%增加到22%，老年人口總數將達到21億人，由此可知人口老化的速度非常快。而隨著年齡的增長，老年人步行不平衡的問題也越來越常見，嚴重影響了老年人獨立生活的能力且會增加老年人跌倒導致受傷的風險。老年人一旦發生跌倒意外受傷，將迫使親友照顧，或是住進安養中心進行長期護理，進而增加醫療上的負擔。所以定期評估老年人的平衡能力非常重要。
評估平衡能力的方式主要以平衡量表進行評估，但傳統評估平衡能力的成本過高，除了需要物理治療師 (PT) 從旁協助及監督下進行，評估時所需要的時間成本也會隨著不同的量表有所變化。若是想要一次獲得多種量表的平衡分數，評估所需要的時間將會非常多，除了使PT的負擔增加，也可能會壓縮到其他患者的看診資源。因此建立出一套僅使用數個IMU裝置收集一個測試動作的步態資料，便可以準確地預測多種量表分數的平衡度量表的評估系統更顯得重要，本團隊提出一個結合卷積神經網路 (CNN) 與長短期記憶網路模型 (LSTM) 的深度學習模型架構，並透過分析七顆慣性測量單元 (IMU)裝置收錄15公尺的步態資料來預測伯格氏平衡量表(Berg balance scale, BBS)、計時起走 (timed up and go, TUG)與單腳站立(single leg stance, SLS)這3種的量表分數進行綜合評估。實驗結果顯示BBS與TUG則只需要受測者穿戴兩顆IMU在左與右大腿便可以準確地預測，預測分數的平均絕對誤差(MAE)分別為1.2562與1.4016秒，而SLS的所有參數實驗結果均比BBS與TUG的參數實驗結果MAE要高，且改變實驗參數也無法使MAE得到明顯的降低，為使本系統更具參考價值，因此SLS量表被本系統排除在外。此系統可以準確預測BBS與TUG分數並省去繁瑣的測試評估時間，可作為物理治療師臨床決策輔助系統。 |