随着新技术的发展，仪器化计时起走测试（iTUG）在身体摇摆和步态分析中正受到越来越多的关注。本文介绍了一种利用动作捕捉技术分析iTUG各子阶段的实验方案。
方法文章
使用动作捕捉技术在仪器化计时起立行走测试中检测老年人跌倒风险
* These authors contributed equally
本文内容
摘要
摘要
尽管医学和技术已做出诸多努力，老年人跌倒的发生率仍在持续上升。因此，早期识别跌倒风险对于预防跌倒变得愈发重要。计时起走（Timed Up and Go, TUG）测试是一种广泛认可的评估行动能力的工具，可用于预测老年人未来的跌倒风险。在临床实践中，完成该测试所需的总时间是TUG测试的主要结局指标。由于其简便性和普适性，传统的TUG测试被视为一种用于运动分析的综合性测试。然而近年来，研究人员尝试将TUG测试分解为若干子项目，并对其评分系统进行了更新，以支持更深入的研究。仪器化计时起走（instrumented Time Up and Go, iTUG）测试是传统TUG测试的一种新改进形式，已被证明是预测老年人运动障碍及跌倒风险的敏感工具。本研究的目的是利用动作捕捉技术分析iTUG测试的各个子项目，并确定其中哪些子任务与未来跌倒的潜在风险相关。
引言
跌倒是一种最常见的老年综合征，也是全球第二大意外或非故意伤害致死原因1。在65岁以上成年人中，跌倒可能导致功能障碍、残疾、生活质量下降、住院时间延长，甚至死亡2,3。因此，预防跌倒至关重要。
为了确定跌倒事件的预测因素，先前的研究人员主要关注步态分析、平衡测试、精神状态、镇静药物使用情况以及前一年内是否有过跌倒史4,5。计时起立行走（Timed Up and Go, TUG）测试是一种快速的、基于表现的活动能力评估方法。TUG测试在老年人群中已得到广泛研究，并被推荐作为跌倒风险的简单筛查工具6。这一广泛应用的测试包括从椅子上站起来，以自己习惯的速度行走3 m，转身，再返回并坐下。该测试的传统临床结局指标依赖于完成全过程的总时间7，并通过秒表进行测定。
在临床实践中，传统的起立-行走计时（TUG）测试仅测量完成一系列动作所需的总时间，而未将受试者的表现分解为各个子阶段8。近年来，一些研究者提出，TUG测试的不同组成部分可能对预测未来跌倒风险具有特别的敏感性9。当使用数字化仪器化TUG（iTUG）测试时，可以对TUG测试的各个组成部分进行独立分析。通过使用iTUG，能够客观评估TUG测试每个子阶段的多种特征，并获得定量数据，例如各动作的持续时间、速度和角速度。凭借更详细的数据，iTUG测试在检测可能更明确提示跌倒风险的特定功能缺陷方面显示出优势10。
作为运动分析的金标准，运动捕捉技术已被用于检测帕金森病（PD）11、认知障碍12和踝关节炎13患者以及健康成年人14的运动情况。在本研究中，我们旨在利用运动捕捉技术分析iTUG测试的各个子成分，并确定iTUG测试子任务与未来跌倒潜在风险之间的相关性。
方案
本研究获得了中国北京中国人民解放军总医院第七医学中心学术伦理委员会的批准。
1. 受试者纳入/排除标准
- 招募年龄在65岁及以上的老年受试者，并获得其知情同意。
- 排除患有明显视觉障碍或下肢功能障碍的受试者，例如膝关节炎、血栓闭塞性脉管炎和痛风。
2. 测试区域的准备
- 设置标准化的iTUG测试区域，大小为5 m × 8 m或更宽（见图1），并在房间周围分布12台摄像机。将传统的TUG测试设备放置于测试区域内：一把椅子和一个提示受试者转身返回的标识。
注意：标示行进路线的标志为可选项。 - 确保动作捕捉区域限制在所有摄像机的覆盖范围内，并且所有TUG测试设备均无反光。
3. 测试前步骤的软件准备
- 在将要使用的房间内的计算机上安装动作捕捉软件。
- 点击 Seeker 按钮以启动动作捕捉软件。启动软件后，在 General Camara Configuration 中选择 default mode （帧率 = 60 帧/秒，快门速度 = 1/1,000 秒），该模式适用于大多数情况。同时将 Selected Camera Settings 和 Camera Configuration Settings 也设置为默认模式。
- 选择 Live mode 以设置实时参数。
注：Post mode 用于分析已采集的数据。 - 点击 Markersets 以配置标记点设置。
- 在 Calibration of Ground Axis 中选择 XY 轴，在 Calibration units 中选择 millimeters。
- 点击 Calibrate 以选择校准方式。
- 选择 Initial Calibration，然后点击 "L" shaped 按钮。同时，将 "L" 形校准器带入采集区域，并将其置于区域中心，确保所有摄像头均可捕捉到该校准器。
注："L" 形校准器包含四个反光标记点。 - 在屏幕上检查所有 12 个摄像头是否均能检测到四个反光标记点。若任一摄像头检测到的标记点 ≤3 个，请降低屏幕左侧的亮度和阈值；若检测到 ≥5 个标记点，请检查采集区域，并清理或遮盖多余的反光标记点。
注：前一位受试者遗留的微小物品可能被摄像头误识别。 - 将 "L" 形校准器从采集区域移除。
- 点击 "T" shaped 按钮。同时，将 "T" 形校准器带入采集区域并挥动，确保其能被所有摄像头捕捉。
- 在 Calibration of Up Axis 中选择 Z 轴，在 Calibration units 中选择 millimeters。
- 请医生检查所有摄像头是否均能捕捉到标记点。在采集区域的各个角落挥动标记点，尤其覆盖 TUG 测试可能涉及的空间范围。
- 在屏幕上检查所有 12 个摄像头是否均能检测到 "T" 形校准器。若任一摄像头无法检测到，请调整该摄像头的方向。
注：需要校准的标记点有两种形状："L" 形和 "T" 形。"L" 形校准器具有四个反光点，用于校准 XY 轴；"T" 形校准器具有四个反光点，用于校准 Z 轴。校准过程将持续 60 秒或更长时间。有效采集将使屏幕颜色变为绿色。 - 点击 Finish 以完成校准。
- 点击 Save Calibration 以保存有效的校准模式。
注：校准在二维模型中进行；测试过程中通常使用三维模型。
4. iTUG 测试
注意：参与者应穿着合身但舒适的衣物和鞋子。
- 将反光标记点贴在解剖标志点上：第7颈椎棘突和第10胸椎棘突、左侧肩峰和右侧肩峰。
注意：每位受试者最多可贴17个反光标记点。贴的反光标记点越多，采集的数据越准确，但受试者的不适感也会增加。 - 在屏幕右侧的反光标记点上单击右键，并将其分别命名为C7、T10、左侧肩峰和右侧肩峰。
- 向受试者展示指导语。指导语为 "请从椅子上站起，以您习惯的速度行走3米，转身，返回并坐下。"
- 要求受试者预先进行一次iTUG测试，以确保其熟悉测试流程。
注意：确保每位受试者在贴上反光标记点后感到舒适。 - 指导受试者正式进行iTUG测试。
注意：受试者需行走以完成iTUG任务。 - 当受试者进行iTUG测试时，点击计算机屏幕上的开始和停止按钮。
注意：在iTUG测试过程中，运动捕捉系统以60 Hz的频率采集所有标记点的数据，并据此生成视频（见视频1）。
5. 数据采集与iTUG测试变量的定义
- 点击录制设置按钮。
注意：数据将被存储并在电子表格中找到。 - 选择原始相机数据 | 跟踪的ASCTI | 跟踪的二值数据。录制时长为20 s。
- 输入参与者的姓名。
- 点击录制按钮以开始数据采集。
- 通过回看视频识别iTUG测试的各个子阶段，并根据数据计算相应变量。
- 定义以下变量：传统TUG测试总时间、第1阶段时间（从椅子上站起）、第1阶段身体摇摆（从椅子上站起）、第2阶段时间（以偏好速度行走3 m）、第2阶段身体摇摆（以偏好速度行走3 m）、第3阶段时间（转身）、第3阶段身体摇摆（转身）、第3阶段角速度（转身）、第4阶段时间（返回）、第4阶段身体摇摆（返回）以及第5阶段时间（坐下）。
注意：详细说明与Caronni及其同事15所描述的相似。
- 定义以下变量：传统TUG测试总时间、第1阶段时间（从椅子上站起）、第1阶段身体摇摆（从椅子上站起）、第2阶段时间（以偏好速度行走3 m）、第2阶段身体摇摆（以偏好速度行走3 m）、第3阶段时间（转身）、第3阶段身体摇摆（转身）、第3阶段角速度（转身）、第4阶段时间（返回）、第4阶段身体摇摆（返回）以及第5阶段时间（坐下）。
6. 艾伯塔大学跌倒风险指数（DFRI）
- 使用Downton跌倒风险指数（DFRI）评估跌倒风险。
注：DFRI（表1）包含11项风险因素，每项计1分，总分范围为0-11分。总分≥3分被认为具有较高的跌倒风险。在评估跌倒风险时，DFRI通常用于住院患者，而家庭跌倒与事故筛查工具（HOME FAST）更适用于社区居住者。
7. 统计分析
- 使用商用统计软件包进行所有统计分析。采用学生t检验评估组间差异，并在全样本中选用皮尔逊相关系数评估iTUG各子成分与DFRI评分之间的关系，以P < 0.05表示差异具有统计学意义。
- 采用Bland-Altman法评估本方法与McRoberts传感器（见材料表）在第1阶段持续时间、第3阶段角速度及第4阶段持续时间上的一致性。计算两种测量方法之间的平均差异以及该平均差异的95%一致性界限。
结果
招募了13名具有高跌倒风险（DFRI评分：3-11）的老年受试者和11名具有低跌倒风险（DFRI评分：0-2）的老年受试者。DFRI评分详见表1。如前所述，住院患者若DFRI评分达到3分或以上，被认为具有较高的跌倒风险16。
人口统计学数据见表1，包括性别、年龄、TUG测试得分及iTUG测试各项变量。如表2所示，各组在性别和年龄方面无显著差异。各组在TUG测试得分上存在边缘性差异（15.4 ± 5.3 s vs 11.2 ± 5.5 s，P = 0.056）。TUG测试得分依据传统方法（完成时间）测定。与低跌倒风险个体相比，高跌倒风险个体的第3阶段持续时间显著更长（2.8 ± 1.5 s vs 2.0 ± 0.9 s，P = 0.023），第4阶段持续时间也显著更长（2.9 ± 1.6 s vs 2.1 ± 1.0 s，P = 0.024），同时第3阶段角速度显著更低（1.2 ± 0.4 º/s vs 1.7 ± 0.4 º/s，P = 0.021）。与身体摇摆相关的变量在各组间无显著差异。
如表3所示，DFRI评分与iTUG测试的第1阶段持续时间、第3阶段持续时间、第3阶段角速度、第4阶段持续时间以及第5阶段持续时间之间存在显著相关性。然而，我们并未发现DFRI评分与iTUG各阶段摆动参数之间存在类似的趋势。
如图2所示，Bland-Altman图表明，iTUG与Dynaport加速度传感器在第1阶段持续时间、第3阶段角速度和第4阶段持续时间上的测量一致性可接受。对于第1阶段持续时间、第3阶段角速度和第4阶段持续时间，分别有1例（5%）、0例（0%）和1例（5%）的数据点超出1.96个标准差范围。
图1：仪器化计时起走试验的组成部分。（A）第一阶段前：受试者坐在椅子上。（B）第二阶段期间：向观察者方向行走。（C）第三阶段期间：在前方绕过椅子。（D）第四阶段期间：返回原始椅子位置。缩写：iTUG = 仪器化计时起走试验。请点击此处查看此图的放大版本。
图2：iTUG与Dynaport加速度传感器数据比较的Bland-Altman图。 （A）使用iTUG与Dynaport加速度传感器对第1阶段持续时间绘制的Bland-Altman图。（B）使用iTUG与Dynaport加速度传感器对第3阶段角速度绘制的Bland-Altman图。（C）使用iTUG与Dynaport加速度传感器对第4阶段持续时间绘制的Bland-Altman图。 请点击此处查看该图的高清版本。
| 项目 | 评分 |
| 既往跌倒史 | |
| 是 | 1 |
| 否 | 0 |
| 药物使用情况 | |
| 镇静剂/安眠药 | 1 |
| 利尿剂 | 1 |
| 降压药（除利尿剂外） | 1 |
| 抗帕金森药物 | 1 |
| 抗抑郁药 | 1 |
| 其他药物 | 1 |
| 无 | 0 |
| 感觉功能障碍 | |
| 视力障碍 | 1 |
| 听力障碍 | 1 |
| 肢体功能障碍 | 1 |
| 无 | 0 |
| 精神状态 | |
| 意识混乱（认知功能受损） | 1 |
| 定向力正常 | 0 |
| 步态 | |
| 步态不稳（使用或不使用助行器） | 1 |
| 使用助行器时步态稳定 | 0 |
| 正常（无需助行器时步态稳定） | 0 |
| 无法行走 | 0 |
表1：唐顿跌倒风险指数项目及评分系统。 DFRI 评分超过3分表明存在高跌倒风险。缩写：DFRI = Downton fall risk index。
| 高跌倒风险 | 低跌倒风险 | P 值 | |
| (n=13) | (n=11) | ||
| 性别，男/女 | “3/10” | “4/7” | 0.08 |
| 年龄，年 | 74.29 (6.61) | 70.40 (9.23) | 0.077 |
| TUG 评分，s | 15.4 (5.3) | 11.2 (5.5) | 0.056 |
| 第1阶段持续时间，s | 1.4 (0.4) | 1.2 (0.2) | 0.56 |
| 第1阶段摇摆角度，° | 123.3 (68.9) | 110.3 (57.7) | 0.684 |
| 第2阶段持续时间，s | 2.9 (1.0) | 2.8 (1.4) | 0.924 |
| 第2阶段摇摆角度，° | 141.3 (72.6) | 132.2 (48.6) | 0.082 |
| 第3阶段持续时间，s | 2.8 (1.5) | 2.0 (0.9) | 0.023* |
| 第3阶段角速度，°/s | 1.2 (0.4) | 1.7 (0.4) | 0.021* |
| 第4阶段持续时间，s | 2.9 (1.6) | 2.1 (1.0) | 0.024* |
| 第4阶段摇摆角度，° | 119.8 (64.1) | 113.5 (55.7) | 0.936 |
| 第5阶段持续时间，s | 4.6 (1.7) | 3.5 (1.5) | 0.063 |
| 数值 = 均值 (标准差) |
表2：受试者的人口统计学数据及仪器测量的“起立-行走”测试各阶段变量。组间在第3阶段持续时间、第4阶段持续时间以及第3阶段角速度上存在显著差异。
| DFRI | r 值 | P 值 | |
| 第1相持续时间，s | 0.347 | 0.007* | |
| 第1相摆动角度，° | 0.061 | 0.804 | |
| 第2相持续时间，s | -0.026 | 0.898 | |
| 第2相摆动角度，° | 0.287 | 0.174 | |
| 第3相持续时间，s | 0.462 | 0.020* | |
| 第3相角速度，°/s | -0.403 | 0.003* | |
| 第4相持续时间，s | 0.487 | 0.000* | |
| 第4相摆动角度，° | 0.312 | 0.137 | |
| 第5相持续时间，s | 0.568 | 0.000* | |
| 较高的 r 值表示更密切的关系 | |||
| DFRI = Downton Fall Risk Index | |||
表3：DFRI评分与iTUG各子阶段之间的相关性。 DFRI评分与第1阶段持续时间、第3阶段持续时间、第3阶段角速度、第4阶段持续时间以及第5阶段持续时间之间存在显著相关性。缩写：iTUG = 仪器化起立行走时间测试；DFRI = Downton 跌倒风险指数。
视频 1：iTUG 任务示例。请点击此处查看该视频。
讨论
该方案的关键步骤是将反射点准确地附着在解剖标志点上，以避免产生偏差。此外，识别iTUG测试的各个子组成部分也是一个关键步骤；视频回放有助于准确识别。
各组在计时起立行走（TUG）测试得分上存在微小差异，表明传统的TUG评分可能不足以敏感地区分跌倒风险。我们在第1阶段持续时间和第5阶段持续时间上未发现组间明显差异，这可能是因为所有受试者均未表现出下肢肌力异常。第1阶段持续时间与高跌倒风险老年人的下肢肌力相关17,18。第3阶段角速度被报道为与前庭功能减退相关的关键指标，且第3阶段持续时间与DFRI评分呈相关性19。老年人较高的跌倒风险可能由与前庭功能减退相关的头晕感引起。
该方法存在四个局限性。第一，目前动作捕捉系统的成本较高；但随着技术的发展，该系统的费用将逐渐降低。第二，特定的测试房间也可能带来潜在挑战。如前所述，参与者遗留在地面上的随身物品可能被系统误识别为反光标记点；因此，测试房间需要仔细清理。此外，基于动作捕捉系统的智能计时起立行走测试（iTUG）所需空间远大于传统的计时起立行走测试（TUG）。传统TUG测试仅需3 m × 2 m的空间，因此可在多种场所进行（如走廊、测试室、病房等）；而iTUG测试的房间面积应大于32 m2，因为摄像头需环绕安装在房间四周。第三，反光标记点可能影响受试者的依从性。附加的反光标记点越多，受试者报告的舒适度可能越低。研究人员应确认反光标记点是否影响受试者的活动能力。第四，与传统TUG测试相比，iTUG测试是一种成本较高的测量方法。
TUG测试是一种常用于评估运动功能和跌倒风险的方法20。然而，除了完成时间外，医生很难从传统版本中获得更多信息。相比之下，iTUG测试通过动作捕捉系统对传统TUG测试进行细分，突出了更多细节，其意义在于提供了关于时间和身体摇摆的新变量。我们的结果表明，不同组别之间的差异主要体现在某些子阶段的时间变量上，而非身体摇摆变量。该动作捕捉系统还可应用于串联行走和Romberg测试，以突出显示帕金森病、小脑性共济失调及运动性脑震荡患者的身体失衡情况21,22,23。鉴于近期研究已证实TUG测试的子成分与认知功能相关6,24，该方法也可用于认知功能障碍的筛查。
披露
作者声明无利益冲突。
致谢
作者感谢周红华博士在数字技术支持方面提供的帮助。 本研究由首都卫生发展科研基金 (ID:2024-2-7031) 资助。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 黑色条带 | Deli | 60 mm x 20 m | |
| 校准器 | NOKOV | 反射标记1 | L形 |
| 校准器 | NOKOV | 反射标记2 | T形 |
| 椅子 | YUANSHENGYUANDAI | “10076062317820” | |
| 计算机 | HUAWEI | HONOR | |
| McRoberts传感器 | DynaPort Hybrid, McRoberts, The Hague, The Netherland | ||
| 动作捕捉相机 | NOKOV | Mars2H | |
| 动作捕捉软件 | NOKOV | DG-01 | |
| 反射标记 | NOKOV | 小型标记 | 用于校准器 |
| 反射标记 | NOKOV | 大型标记 | 用于受试者 |
参考文献
- Dokuzlar, O., et al. Assessment of factors that increase risk of falling in older women by four different clinical methods. Aging Clin Exp Res. 32 (3), 483-490 (2020).
- King, B., Pecanac, K., Krupp, A., Liebzeit, D., Mahoney, J. Impact of fall prevention on nurses and care of fall risk patients. The Gerontologist. 58 (2), 331-340 (2018).
- Mazur, K., Wilczyński, K., Szewieczek, J. Geriatric falls in the context of a hospital fall prevention program: delirium, low body mass index, and other risk factors. Clin Interv Aging. 11, 1253-1261 (2016).
- Beck Jepsen, D., et al. Predicting falls in older adults: an umbrella review of instruments assessing gait, balance, and functional mobility. BMC Geriatrics. 22 (1), 615(2022).
- Meekes, W. M., Korevaar, J. C., Leemrijse, C. J., Van de Goor, I. A. Practical and validated tool to assess falls risk in the primary care setting: a systematic review. BMJ Open. 11 (9), 045431(2021).
- Mirelman, A., et al. Association between performance on Timed Up and Go subtasks and mild cognitive impairment: further insights into the links between cognitive and motor function. J Am Geriatr Soc. 62 (4), 673-678 (2014).
- Palmerini, L., Mellone, S., Avanzolini, G., Valzania, F., Chiari, L. Quantification of motor impairment in Parkinson's disease using an instrumented timed up and go test. IEEE Trans Neural Syst Rehabil Eng. 21 (4), 664-673 (2013).
- Cimolin, V., et al. Do wearable sensors add meaningful information to the Timed Up and Go test? A study on obese women. J Electromyogr Kinesiol. 44, 78-85 (2019).
- Ayena, J. C., Chioukh, L., Otis, M. J., Deslandes, D. Risk of falling in a timed up and go test using an UWB Radar and an instrumented insole. Sensors. 21 (3), 722(2021).
- Sample, R. B., Kinney, A. L., Jackson, K., Diestelkamp, W., Bigelow, K. E. Identification of key outcome measures when using the instrumented timed up and go and/or posturography for fall screening. Gait Posture. 57, 168-171 (2017).
- Beyea, J., McGibbon, C. A., Sexton, A., Noble, J., O'Connell, C. Convergent validity of a wearable sensor system for measuring sub-task performance during the timed up-and-go test. Sensors. 17 (4), 934(2017).
- McGough, E. L., Gries, M., Teri, L., Kelly, V. E. Validity of instrumented 360° turn test in older adults with cognitive impairment. Phys Occup Ther Geriatr. 38 (2), 170-184 (2020).
- Wang, H., Brown, S. R. The effects of total ankle replacement on ankle joint mechanics during walking. J Sport Health Sci. 6 (3), 340-345 (2017).
- Mehdizadeh, S., et al. The Toronto older adults gait archive: video and 3D inertial motion capture data of older adults' walking. Sci Data. 9 (1), 398(2022).
- Caronni, A., et al. Criterion validity of the instrumented Timed Up and Go test: A partial least square regression study. Gait Posture. 61, 287-293 (2018).
- Mojtaba, M., Alinaghizadeh, H., Rydwik, E. Downton Fall Risk Index during hospitalisation is associated with fall-related injuries after discharge: a longitudinal observational study. J Physiother. 64 (3), 172-177 (2018).
- Hershkovitz, L., Malcay, O., Grinberg, Y., Berkowitz, S., Kalron, A. The contribution of the instrumented Timed-Up-and-Go test to detect falls and fear of falling in people with multiple sclerosis. Mult Scler Relat Disord. 27, 226-231 (2019).
- Zarzeczny, R., et al. Aging effect on the instrumented Timed-Up-and-Go test variables in nursing home women aged 80-93 years. Biogerontology. 18 (4), 651-663 (2017).
- Kim, K. J., et al. The instrumented timed "Up & Go" test distinguishes turning characteristics in vestibular hypofunction. Phys Ther. 101 (7), 103(2021).
- Montero-Odasso, M., et al. World guidelines for falls prevention and management for older adults: a global initiative. Age Ageing. 51 (9), (2023).
- Rocchi, L., Palmerini, L., Weiss, A., Herman, T., Hausdorff, J. M. Balance testing with inertial sensors in patients with Parkinson's disease: assessment of motor subtypes. IEEE Trans Neural Syst Rehabil Eng. 22 (5), 1064-1071 (2014).
- Ngo, T., et al. A comparative severity assessment of impaired balance due to cerebellar ataxia using regression models. Annu Int Conf IEEE Eng Med Biol Soc. 2020, 4571-4574 (2020).
- Celik, Y., Powell, D., Woo, W. L., Stuart, S., Godfrey, A. A feasibility study towards instrumentation of the Sport Concussion Assessment Tool (iSCAT). Annu Int Conf IEEE Eng Med Biol Soc. 2020, 4624-4627 (2020).
- Coni, A., et al. Comparison of standard clinical and instrumented physical performance tests in discriminating functional status of high-functioning people aged 6170 years old. Sensors. 19 (3), 449(2019).
重印与许可
