Yaşlılarda Düşme Riskinin Belirlenmesi İçin Yürüyüş EsnasındaKayıt Edilen İvmelenme Sinyallerinin Zaman Domeni ÖzelliklerininDegerlendirilmesi

Yaşlanmayla birlikte vücutta meydana gelen anatomik ve fizyolojik değişimlerin bir sonucu olarak yaşlı bireylerde düşme bir sağlıkproblemi olarak karşımıza çıkmaktadır. Dünya sağlık örgütüne göre düşme yaşlılarda görülen en önemli sağlık problemidir. Düşmeninyaşlının fiziksel olarak yaralanması ve düşme korkusunun getirdiği psikolojik etkinin yanında hastaya, aileye ve topluma ekonomikolarak etkileri vardır. Dünyada ve ülkemizde sağlık alanında meydana gelen gelişmelerle beraber bireylerin yaşam süresinin hızlaartmasıyla bu etki daha da belirgin hale gelecektir. Ancak yaşlılarda düşmenin önlenmesi ile bu olumsuz etkiler azaltılabilir. Yaşlılardadüşmenin etkilerini azaltmak için etkili yöntem düşmenin önceden tahmin edilmesi ve gerekli önlemlerin alınmasıdır. Düşmeninönceden tahmin edilebilmesi için yaşlılarda rutin kontrollerinde dengenin değerlendirilmesi gerekmektedir. Bunun için birinci basamaksağlık kuruluşlarında kullanılabilecek basit, ucuz ve güvenilir bir denge değerlendirme metodunun geliştirilmesi önemlidir. Duruş vehareket sınıflandırması, enerji harcama tahmini, anlık düşme tespiti ve denge kontrolü gibi fiziksel aktivite izleme ve değerlendirme araştırmalarında sıklıkla kullanılan ivmeölçerler yaşlılarda düşme riskinin değerlendirmesi için rahatlıkla kullanılabilir. Bu çalışmadayaşları 65 ile 87 arasında değişen 71 yaşlıdan (38 kontrol 35 düşme riski olan) düz zeminde yürüme esnasında kayıt edilen bir dakikalıküç eksen ivmelenme sinyalleri kullanılarak yaşlılarda düşme riskini tanımlayıcı parametreler bulunmaya çalışılmıştır. Önce kayıt edilenivmelenme sinyalinden yer çekiminden kaynaklanan bileşen çıkarılmış, daha sonra 0.5Hz-5Hz bant geçiren filtreyle yüksek frekanslıgürültüler temizlenmiştir. Gürültü temizleme işleminden sonra bir dakikalık kayıtlar adımlara bölünmüş ve normalize edilerek özellikçıkarma işlemine geçilmiştir. Özellik çıkarma aşamasında literatürden farklı olarak daha önce yaşlılarda düşme riski için kullanılmayanzaman-domeni özellikleri de değerlendirilmeye alınmıştır. Elde edilen özellikler bağımsız-örneklem t-testi kullanılarak %99 güvenirlikseviyesinde karşılaştırılmıştır. Sonuç olarak literatürde anlamlı olarak farklı olduğu daha önceki çalışmalarda belirtilen kadans, adımsüresi, çift adım süresi özellikleri benzer şekilde bizim çalışmamızda da kontrol ile düşen grupları arasında anlamlı farklılık göstermiştir.Ayrıca literatürde daha önce düşme riskinin değerlendirilmesi için yapılan çalışmalarda kullanılmayan çarpıklık, çeyrekler arası aralık,ortalama mutlak sapma ve dinamik zaman atlama özelliklerinde de anlamlı farklılık olduğu görülmüştür. Çalışmamızda ivmelenmesinyallerinden elde edilebilecek bütün zaman domeni özellikleri düşme riskinin belirlenmesi için değerlendirilmiştir. Sonuç olarakliteratürde daha önce düşme riski için kullanılmayan dört yeni zaman domeni özelliğinin düşme riskini belirlemede kullanılabileceğiortaya konmuştur.

Evaluation Of Time Domain Features Of The Acceleration Signals Recorded During The Walk To Determine The Risk Of Falling In The Elderly

Fall in elderly is a health problem as a result of the anatomical and physiological changes in the body with aging. According to theworld health organization, falling is the most important health problem in the elderly. In addition to physical injury and the psychologicaleffects of fear of falling in elderly, the fall also has economic effects on the patient and society. With the developments of health systemin the world, this effect will become more evident with the rapid increase in the life span of individuals. However, these negative effectscan be reduced by preventing falls in the elderly. The effective method to reduce the fall in the elderly is to predict the fall and take thenecessary prevents. In order to predict the fall, balance of elderly should be evaluated in routine controls. For this, it is important todevelop a simple, cheap and reliable balance assessment method that can be used in primary health care centers. Accelerometers, whichare frequently used in physical activity monitoring and evaluations such as posture and movement classification, energy expenditureestimation, instantaneous fall detection can be easily used for the assessment of fall risk in the elderly. In this study, it was aimed tofind out the parameters that define the risk of falling in the elderly by using one-minute three-axis acceleration signals recorded duringwalking on flat ground from 71 elderly (38 control 35 with risk of falling) between 65 and 87 years of age. First, the component fromgravity was removed from the recorded acceleration signal, then high frequency noises were removed with a filter at 0.5Hz-5Hz. Afterthe noise removal process, recordings were divided into steps and normalized and feature extraction process was started. Unlike theliterature, time-domain features that were not used for the risk of falling in the elderly were also evaluated. The properties were comparedstatically at 99% reliability level. As a result, the cadence, stride duration, double stride duration, which were found to be significantlydifferent in the literature, showed a significant difference between control and falling groups in our study too. In addition, it was foundthat there is a significant difference in skewness, interquartile range, average absolute deviation and dynamic time-wrapping that werenot used in the previous studies to evaluate the risk of falling. In our study, all time domain properties that can be obtained fromacceleration signals were evaluated to determine the risk of falling. As a result, it has been demonstrated that four new time domainfeatures not previously used for assessment of falling risk in the literature can be used to determine the risk of falling.

PDF

___

Balaban, Ö., Nacır, B., Erdem, H. R., & Karagöz, A. (2009). Denge Fonksiyonunun De¤erlendirilmesi. Journal of Physical Medicine and Rehabilitation Sciences, 12(9), 133- 139.
Barden, J. M., Clermont, C. A., Kobsar, D., & Beauchet, O. (2016). Accelerometer-Based Step Regularity Is Lower in Older Adults with Bilateral Knee Osteoarthritis. Frontiers in Human Neuroscience, 10. doi:ATN 62510.3389/fnhum.2016.00625
Bellanca, J. L., Lowry, K. A., VanSwearingen, J. M., Brach, J. S., & Redfern, M. S. (2013). Harmonic ratios: A quantification of step to step symmetry. Journal of Biomechanics, 46(4), 828-831. Retrieved from ://WOS:000315973700029
Castellini, G., Gianola, S., Stucovitz, E., Tramacere, I., Banfi, G., & Moja, L. (2019). Diagnostic test accuracy of an automated device as a screening tool for fall risk assessment in community-residing elderly: A STARD compliant study. Medicine (Baltimore), 98(39), e17105. doi:10.1097/MD.0000000000017105
Diego Galar, U. K. (2017). eMaintenance (U. K. Diego Galar Ed.): Academic Press.
Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., . . . Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, 101(23), E215-220. doi:10.1161/01.cir.101.23.e215
Howcroft, J., Kofman, J., & Lemaire, E. D. (2013). Review of fall risk assessment in geriatric populations using inertial sensors. Journal of Neuroengineering and Rehabilitation, 10. doi:Artn 9110.1186/1743-0003-10-91
Howcroft, J., Kofman, J., & Lemaire, E. D. (2017a). Feature selection for elderly faller classification based on wearable sensors. Journal of Neuroengineering and Rehabilitation, 14. doi:ARTN 4710.1186/s12984-017-0255-9
Howcroft, J., Kofman, J., & Lemaire, E. D. (2017b). Prospective Fall-Risk Prediction Models for Older Adults Based on Wearable Sensors. Ieee Transactions on Neural Systems and Rehabilitation Engineering, 25(10), 1812-1820. doi:10.1109/Tnsre.2017.2687100
Karantonis, D. M., Narayanan, M. R., Mathie, M., Lovell, N. H., & Celler, B. G. (2006). Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring. Ieee Transactions on Information Technology in Biomedicine, 10(1), 156-167. doi:10.1109/Titb.2005.856864
Koyuncu, G., Tuna, F., Yavuz, S., Kabayel, D. D., Koyuncu, M., Özdemir, H., & N., S. (2017). The last station before fracture: Assessment of falling and loss of balance in elderly. Turk J Phys Med Rehab, 63(1), 9. doi:10.5606/tftrd.2017.90757
Mathie, M. J., Coster, A. C. F., Lovell, N. H., & Celler, B. G. (2004). Accelerometry: providing an integrated, practical method for long-term, ambulatory monitoring of human movement. Physiological Measurement, 25(2), R1-R20. Retrieved from ://WOS:000221075000001
Moncada, L. V. V., & Mire, L. G. (2017). Preventing Falls in Older Persons. American Family Physician, 96(4), 240-247. Retrieved from https://www.ncbi.nlm.nih.gov/pubmed/28925664
Najafi, B., Aminian, K., Loew, F., Blanc, Y., & Robert, P. A. (2002). Measurement of stand-sit and sit-stand transitions using a miniature gyroscope and its application in fall risk evaluation in the elderly. Ieee Transactions on Biomedical Engineering, 49(8), 843-851. doi:10.1109/Tbme.2002.800763
Pires IM, G. N., Pombo N, Flórez-Revuelta F, Spinsante S, Canavarro Teixeira M, Zdravevski E. . (2019). Pattern Recognition Techniques for the Identification of Activities of Daily Living using Mobile Device Accelerometer. PeerJ Preprints, 7. doi:https://doi.org/10.7287/peerj.preprints.27225v2
Sun, T. L., & Huang, C. H. (2019). Interactive visualization to assist fall-risk assessment of community-dwelling elderly people. Information Visualization, 18(1), 33-44. doi:10.1177/1473871617721243
Weiss, A., Brozgol, M., Dorfman, M., Herman, T., Shema, S., Giladi, N., & Hausdorff, J. M. (2013). Does the evaluation of gait quality during daily life provide insight into fall risk? A novel approach using 3-day accelerometer recordings. Neurorehabil Neural Repair, 27(8), 742-752. doi:10.1177/1545968313491004
WHO. (2007). WHO Global Report on Falls Prevention in Older Age. France: WHO Press.
Wu, C. H., Lee, C. H., Jiang, B. C., & Sun, T. L. (2019). Multiscale Entropy Analysis of Postural Stability for Estimating Fall Risk via Domain Knowledge of Timed-UpAnd-Go Accelerometer Data for Elderly People Living in a Community. Entropy, 21(11). doi:ARTN 107610.3390/e21111076
Yang, C. C., & Hsu, Y. L. (2010). A review of accelerometrybased wearable motion detectors for physical activity monitoring. Sensors (Basel), 10(8), 7772-7788. doi:10.3390/s100807772