非侵入性传感器在衰弱老年人中应用的研究进展
2024-06-06胡重蝶刘艳丽刘小菲罗姣王鑫源李洋洋侯富文
胡重蝶 刘艳丽 刘小菲 罗姣 王鑫源 李洋洋 侯富文
Research progress in the application of non?invasive sensors in frail elderly people
HU Chongdie， LIU Yanli， LIU Xiaofei， LUO Jiao， WANG Xinyuan， LI Yangyang， HOU Fuwen
School of Nursing， Shandong University of Traditional Chinese Medicine， Shandong 250355 China
Corresponding Author LIU Yanli， E?mail： liuyanlishd@163.com
Keywords frailty； the elderly； sensors； screening； intervention； monitor； review
摘要 通过检索国内外文献从非侵入性传感器介绍、在衰弱老年人中的应用（识别衰弱、进行运动干预、日常监测等功能）方面进行综述，以期探索适用于我国老年人衰弱筛查及干预的智能化设备。
关键词 衰弱；老年人；传感器；筛查；干预；监测；综述
doi：10.12102/j.issn.1009-6493.2024.11.010
老龄化正在席卷全球，根据世界卫生组织的数据，到2050年，60岁以上人口数量将翻一倍，占世界人口的22%[1]。据联合国人口前景预测，我国65岁及以上老年人占比将在2050年达到26.1%，超过世界平均水平10个百分点[2]。在人口老龄化背景下，老年人身体素质下降及慢性病加剧给医疗系统带来了巨大挑战[1]。衰弱与年龄相关，是老年人护理面临的挑战之一。多国调查显示，衰弱是一种全球性现象，在全球社区老年人中，衰弱患病率为12%～24%[3]，我国社区老年人的衰弱患病率为12.8%[4]。衰弱是一个涉及不同生物系统（神经、内分泌、肌肉骨骼等）的多维概念，多个系统储备能力下降而处于功能受损的状态，使老年人易受压力源的影响，提高健康状况不佳、意外残疾、住院、死亡的风险[5]。衰弱具有可逆性，如果早期识别具有衰弱风险的病人并及时提供干预，能减轻衰弱潜在后遗症。目前，最常用的衰弱筛查工具之一是Fried衰弱表型（FFP）[6]，包括无意的体重减轻、握力下降、疲惫、低步态速度和低体力活动5个变量，将老年病人分为健壮、衰弱前期、衰弱3类。该工具应用简单，但其对细微的生理变化不敏感、评估需要在医疗专业人员的监督下进行，定期筛查衰弱加重了临床工作负担，此外，该工具依赖问卷评估体重减轻、疲惫和低体力活动，容易受参与者主观感受的影响。非侵入性传感器可以准确筛查衰弱，作为运动干预工具以及对日常生活进行监测，及时发现潜在健康问题。基于以上原因，许多研究人员专注于使用不需要任何受过专门培训的人员参与的非侵入性传感器作为监测老年人功能状态的工具[7?8]，收集运动参数，对老年人的衰弱状态进行客观和生态的评估。本研究从非侵入性传感器介绍、识别衰弱、运动干预、日常监测等功能方面进行综述，以期探索适用于我国老年人衰弱筛查及干预的智能化设备。
1 非侵入性传感器介绍
非侵入性传感器是基于惯性、电磁、光等原理，依托传感元件或其组合[9]，在不干扰人体日常活动下捕获运动特征参数，然后使用机器学习和人工智能算法等进行分析，以识别健康状况或提供干预，并随着时间的推移追踪病情的电子装置[10]。其作为一种具有高度自主性的智能设备，已被应用于老年人衰弱的早期筛查和干预中。根据传感器是否可以随身携带将其分為可穿戴和不可穿戴两类[11]。
1.1 可穿戴传感器
可穿戴传感器是一种结合了生理、生物力学和运动传感技术的设备[12]，可以融入衣服[13]、鞋类[14]、项链[15]、手表[10]、腰带[16]等物品中，附着在手腕[17?18]、腰部[19?20]、脚踝[21]或躯干[22?23]上，也可以装在口袋里。根据其是否具有普遍性，可以分为普遍存在的可穿戴传感器（无缝嵌入或连接到普通衣物上的设备，人体能够舒适地长时间佩戴），“人体传感器”（附着在身体部位上的传感器）以及非无处不在的可穿戴传感器（需要耗时设置或不适合长期使用）三类[11]。惯性测量单元（inertial measurement units，IMU）是最常用的可穿戴传感器[24]，包括陀螺仪、加速度计、全球定位系统（GPS）或肌电图（EMG）传感器、计步器和心率监测器等[25]。陀螺仪可测量方位的变化[26]，如旋转或角速度、加速度或位移；加速度计实时测量线性加速度[27]，最多可监测前后、垂直和中横向3个平面的运动；GPS能够跟踪人体的位置和速度[28]；计步器测量所走的步数，并与单轴加速度计有很好的相关性[29]；心率监测器能捕捉不需要躯干移位的身体活动迹象[30]。
1.2 不可穿戴传感器
不可穿戴传感器，是安装或嵌入个体生活环境中的非接触式的环境传感器[11]。Kinect传感器是放置在日常环境中用于衰弱诊断和监测的设备，Kinect身体跟踪可以监测和连续跟踪身体关节和四肢，进行复杂的步态分析[31]；坐垫传感器（经过校准的压力传感器嵌入其中）用来监测个体的久坐行为[9]；红外线传感器通常放于客厅中，能捕捉个体在家中的运动过程[32]。其他不可穿戴传感器还包括家具或墙壁上的距离传感器[33]、二进制传感器[23]、家具中的负载传感器[23]等。
1.3 优缺点
可穿戴传感器的优点是成本较低，可以在任何地方进行测量而不需要控制环境，并且不影响个体的正常日常活动；局限性是电池持续时间有限，不能进行长时间的监测，且有些设备容易被忽视或遗忘，比如病人在洗澡后可能会忘记重新佩戴项链、手表等非生活必备的物品。不可穿戴传感器的优点是精度高，能在自然状态下监测个体的活动；缺点是受到环境限制且有的设备需要录像使个体感到隐私被侵犯[1]。
以上传感器的使用对老年病人来说不是一个微不足道的问题，因此在选择传感器的类型时，既要考虑到设备的易用性、可用性、便携性，又要考虑隐私、数据安全性、监控持续时间和频率等问题。
2 非侵入性传感器在衰弱老年人中的应用
随着信息技术的发展，老年人功能状态的评估开始借助技术以达到扩展评估维度，增加评估频次，实现长期、持续监测的目的。在老年人衰弱领域，非侵入性传感器能够测量与衰弱有关的各项参数、提供基于测量的病人活动信息，从而量化老年人的衰弱，同时传感器技术的发展支持了虚拟现实、物联网医疗等的开发，促进新型运动工具及运动监测工具的出现，为衰弱老年人的干预、管理提供了新方法和手段。
2.1 测量各项参数，有效筛查衰弱
2.1.1 身体活动参数
多项研究证实，身体活动与衰弱之间存在联系，所检查的身体活动模式和行为细分为久坐行为[34?36]、在各种强度活动中花费的时间、姿势转换次数等，其中久坐行为（代谢当量低于1.5的活动，如坐或躺）是最常检查的移动性和身体活动参数[12]，且与衰弱密切相关[37]。自我报告评估或直接观察身体表现测试是传统最常见的身体活动评估方式，但在评估过程中可能会受到认知问题或回忆偏见等限制，而传感器具有精确测量活动的潜力，可以对活动进行客观测量[38]。Razjouyan等[39]将悬挂式传感器（PAMSys?，BioSensics LLC，Watertown，MA，USA）挂在脖子上放置在参与者胸骨处，要求参与者将传感器开启48 h，之后计算平均振幅偏差（MAD），MAD<20活动水平为久坐，久坐行为的总时间在健壮、衰弱前期、衰弱期3组间存在显著差异，此传感器可以将处于衰弱前期的老年人与其他阶段的老年人区分开，该方法的灵敏度和特异度分别为98%和96%，受试者工作特征（ROC）曲线下面积（AUC）为0.85，但是未能区分衰弱前期和衰弱期状态。Chen等[40]使用附在臀部的三轴加速度计评估日本社区老年人久坐时间，连续佩戴7 d，结果显示，与健壮的老年人相比，衰弱老年人在长时间（≥30 min）久坐行为中花费的时间比例更大，差异有统计学意义。Bian等[9]设计了垫子传感器来监测久坐行为，用公式计算久坐时间（垫子传感器检测到无人坐座椅时间—先前占用座椅时的时间），并与视频记录的结果进行比较，只有4.8%在一致性界限之外，表明2种监测方法存在良好的一致性。Chigateri等[38]开发了腰部佩戴的uSense传感器（1种三轴加速度计，其算法可以在多个设备上工作），用于非久坐活动的识别。姿势转换是身体活动的一种更可靠的测量方法，受环境影响最小[41]。Parvaneh等[42]将姿势转换定义为坐和站之间的转换及坐/站和走路之间的过渡，事先经过评估将120名社区老年人分为非衰弱组和衰弱前期/衰弱组，使用衬衫嵌入式传感器（PAMSys）记录48 h的自发每日活动，PAMSys识别姿势的灵敏度和特异度分别为87.0%～99.0%，87.0%～99.7%，根据姿势检测算法识别和计算姿勢转换次数，与非衰弱组相比，衰弱前期/衰弱组的过渡、站立到行走、行走到站立的总次数分别减少了25.2%、30.2%、30.6%，两组间在相同的姿势转换参数方面比较差异有统计学意义（P<0.001），结果表明，通过对日常身体活动的无监督监测，每天特定的姿势转换次数，如步行到站立和快速坐，可以用于监测虚弱状态。但需要进一步探索追踪每日特定姿势转换的次数是否对追踪衰弱状态随时间变化也敏感。
2.1.2 步态参数
步态分析是检测老年人衰弱的最常用方法之一，是评估衰弱的有力标志[43]。随着衰弱程度增加，行动能力下降步态变化更明显，通过步态分析和步态参数的量化可以区分病人群体，诊断衰弱。与衰弱有关的步态参数分为常规参数（步幅长度、步幅时间、步态速度等）、可变性一般参数（步幅长度变化、步态变异性及步态对称性等）、时间参数（双支撑时间、摆动阶段时间等）、脚趾特定参数、特定速度等其他参数[1]。一项调查研究结果表明，对于衰弱诊断，最重要的参数是双支撑时间（双脚同时与地面接触的时间）、步态速度（步幅长度除以总的步态周期）、步幅时间（同1只脚连续2次脚跟触地的时间）、步进时间（2次连续脚跟触地之间的时间）和每天步数或每天行走百分比[1]。Schwenk等[44]使用LEGSysTM提取步态参数区分不同衰弱阶段，并使用双连杆倒立摆模型估计算法的准确性，结果显示，步态速度（AUC=0.802）和每天步数（AUC=0.736）是识别衰弱前期最敏感的参数；步长（AUC=0.857）和双支撑时间（AUC=0.841）是区分3种衰弱水平（健壮、衰弱前期、衰弱期）最敏感的步态参数。Pradeep等[45]使用FFP将老年人分为健壮、衰弱前期和衰弱三类，使用固定在T恤中的三轴加速度计传感器（PAMSys，BioSensics Cambridge，MA，USA）对老年人的日常身体活动进行48 h的量化，提取出步态变异性、步态不对称性和步态不规则性等参数，使用逻辑模型中的60 s步态性能参数，以76.8%的灵敏度和80.0%的特异度确定了衰弱前期或衰弱组。该装置监测老年人自然行走状态，适合应用在家庭及社区护理中，但其耗时48 h的测量要求很高，可能会有参与者在洗澡后忘记继续穿戴以及并非所有的参与者在48 h内进行了连续步行，其适用性和可靠性低于实际实践中建议采用的方法。Rahemi等[46]纳入161例佩戴腿部传感器的老年人，提取传感器衍生的步态参数（摆动速度、脚跟及脚趾离地速度等）区分不同衰弱阶段，并建立人工神经网络模型评估算法的准确性，得出筛查衰弱前期和衰弱的准确率分别为83.2%、95.8%。Jung等[47]让74名老年人穿着固定陀螺仪的鞋以自己的方式行走7 m，提取出步态周期中的7个时间步态参数，将初始和最终的双肢支撑、步进和步幅时间输入分类器，对非衰弱和衰弱病人进行分类，准确率为96.2%。此装置的分类性能是目前基于步态特征评估衰弱领域中最好的，且所需测量时间短，可以为老年医疗行业提供新的见解和创造性的解决方案，有助于对衰弱进行早期诊断。徐启红等[48]对老年人智能设备（智能手机、穿戴式运动手表、手环等）中过去1个月、1周及1 d的日平均步数进行比较，结果显示，过去1个月、1周、1 d日平均步数诊断老年衰弱期和衰弱前期的AUC分别为0.965，0.962，0.949，约登指数分别为0.708，0.770，0.645，过去1周日平均步数临界值是1 760步，提示医护人员可以对就诊时前1周日平均步数<1 760步的老年人进一步采用量表或问卷进行衰弱诊断，并采取针对性的干预措施。带有智能计步器功能的智能设备对衰弱具有初步诊断价值，其数据可以协助医护人员筛查、识别衰弱老年人，适合作为我国社区筛查老年人衰弱的辅助方式之一。
2.1.3 平衡参数
平衡参数包括踝关节、髋关节和重心的摆动等[44]。Schwenk等[44]使用BalanSensTM系统在100名≥75岁的社区老年人中进行平衡评估（系统包括连接在大腿、小腿和下背部的5个小型传感器，每个传感器包括三轴加速度计、磁力计和陀螺仪），测量参与者双脚并拢、闭眼站立15 s内踝关节、髋关节和重心的摆动，用身体两段模型计算运动范围，结果表明，髋关节摆动在健壮和衰弱前期个体之间存在差异（P=0.004），但在衰弱前期和衰弱个体之间差异无统计学意义（P=0.999），髋关节摆动是识别衰弱前期的敏感参数（AUC=0.734）。Toosizadeh等[49]在44名老年人中进行了2次15 s的平衡测试，2次试验分别睁眼和闭眼进行，使用固定在小腿和腰部的2个传感器对每个试验的重心进行了估计，分别用传统稳定图（计算重心摆动）和开环（OL）/闭环（CL）分析（即稳定图扩散分析，在指定时间间隔根据重心轨迹推导相邻数据点之间的位移，生成OLCL图），对获取的参数进行处理。结果显示，在睁眼和闭眼的条件下，重心摆动预测衰弱时，平均灵敏度和特异度分别为78%和90%，预测衰弱前期的灵敏度和特异度分别为65%和84%；使用开环/闭环分析的参数预测衰弱的灵敏度和特异度分别为97%和88%，预测衰弱前期的灵敏度和特异度分别为82%和92%。由此可知，髋关节和重心摆动作为平衡参数均可被用来识别衰弱，而使用开环/闭环分析比传统稳定图更能准确识别衰弱，是因为衰弱的老年人姿势肌肉失调导致更大程度的身体摆动，且随着时间间隔的延长身体摆动幅度会增加，OLCL图（分为OL区域和CL区域，坡度反映身体摆动的水平）可以在一定程度上反映神经肌肉控制机制的表现，对衰弱识别更敏感。
2.1.4 上肢运动学
鉴于部分老年人下床活动受限，国外学者设计了无须依赖步态参数的敏感而精确的衰弱测量方法。通过评估上肢，尤其是肘部屈曲的运动学和动力学参数识别衰弱类别。Toosizadeh等[50]使用3个可穿戴陀螺仪传感器连接在参与者上臂及手腕，进行约50 s（左右侧肘部各20 s，休息10 s）的肘部屈曲试验，捕捉因衰弱而导致的肘部角速度变化所需时间，提取速度（屈肘20 s期间肘部角速度范围的平均值）、灵活性（肘部屈曲范围的平均值）、功率（肘部屈曲角加速度范围与20 s内角速度范围乘积的平均值）、上升时间（达到最大角速度所需时间的平均值）等参数，结果显示，使用回归模型中的肘部屈曲参数与FFP分类相比，预测衰弱的敏感度和特异度均达到100%，预测衰弱前期的敏感度和特异度分别为87%、95%。因此，使用快速、简单的上肢运动测量传感器可以对衰弱进行高敏感度和特异度分类，对行动不便及卧床老年人的衰弱筛查具有很高的应用前景。Lee等[51]开发了单一手腕传感器衰弱测量仪，并与双传感器（固定在上臂和手腕）筛查衰弱效果进行比较，结果表明，单一传感器在识别衰弱状态准确率方面与双传感器效果相当。因此，考虑到2种传感器之间的高度一致性，单一手腕传感器足以预测老年人群的不良健康结局，既可以解决传统衰弱测量工具在时间、效率、易用性和实用性方面的局限性，又可以节省成本、减少佩戴多个传感器造成的不舒适。
2.2 运动干预
運动干预是预防和治疗衰弱的最佳疗法[52]，非侵入传感器可以作为运动锻炼工具或运动监测工具为衰弱老年人运动干预的实施提供多方面支持。Ozaki等[53]使用融合运动传感器的平衡辅助机器人（BEAR）对衰弱老年人实施体位策略训练，参与者通过身体移动来控制机器人运动，BEAR可以通过识别参与者的训练完成效果自动调整训练的强度，使训练强度与参与者的能力相匹配。干预6周后结果显示，与传统的平衡训练相比，BEAR可以有效地改善衰弱老年人平衡和下肢肌肉力量。Liao等[54]使用Kinect红外传感器对衰弱老年人进行运动游戏干预，传感器能捕捉参与者身体关节的活动，允许参与者直接与计算机模拟的环境互动，干预12周后，老年人衰弱评分和状态显著改善，其效果与组合运动（有氧、抗阻、平衡、柔韧性等运动组合，组合运动是衰弱干预最有效的运动类型之一[52]）干预一样有益。Liu等[55]用一款基于无线腕带加速度计的追踪器监测衰弱老年人日常活动水平，并将数据（如步数、高强度身体活动花费的时间、心率等）同步到智能手机上，允许参与者设定锻炼目标、自我监控锻炼进度，让参与者参考每天的活动数据不断提高自身活动水平，最终达到建议水平，在干预后14周及1个月、3个月随访时，参与者的身体功能评估与基线相比有所改善，且佩戴的依从性和对设备的可接受性较高。运动传感技术的发展推动了对衰弱老年人运动干预新工具的产生，有利于提高衰弱老年人的机体功能和生活质量，但同时要求老年人具备较高的电子信息素养，可以熟练应用监测日常活动的设备，因此对设备的选择和使用应考虑易操作性。
2.3 日常监测
传感器可以对老年人进行常态化的日常监测，发现疾病的进展，及时发现潜在的健康风险。日常监测应尽可能保持参与者在日常状态下的三维人体姿势持续跟踪，而物联网技术和智能城市等新技术范式成为达到该要求的主要驱动力。Garcia?Moreno等[18]提出了一个基于物联网和传感器的组合系统，该系统在老年人进行日常生活基本活动时收集感官数据（从生态角度评估老年人的衰弱状态），利用感官数据建立机器学习模型评估衰弱状态，模型的准确率为99.2%。Abril?Jiménez等[56]在马德里部署了一个基于传感器和智能城市基础设施的系统，从老年人在城市中流动时的日常活动中收集数据，包括个人的活动模式、他们在公共场所（如商店、卫生基础设施、运动场等）和私人场所（如亲友家）流动时访问的地方，以及（公共）交通工具的使用，以检测其是否存在早期虚弱症状。日常活动模式的变化可能是功能下降的第1个迹象，物联网技术、智能城市基础设施及其分布式传感器网络和可穿戴设备的使用可以帮助人们早期发现衰弱，这将为评估因年龄而导致的功能下降型社会参与提供新方法，也为医疗保健人员尽早设计个性化的干预计划预防和逆转衰弱提供可能。
3 小結
信息技术的发展为衰弱老年人的筛查、干预和管理提供了新的方法和手段，非侵入传感器作为一种医疗辅助工具在衰弱中的应用也得到了越来越多的重视，具体应用包括提取身体活动时的衰弱有关参数以识别衰弱且准确率较高、作为老年衰弱病人的运动干预和运动监测工具、对日常生活进行监测及早发现病情变化。为发展和推广适合我国衰弱老年人的智能化设备，现做出以下总结和建议：1）传感器所需空间不同，尤其是可穿戴传感器有的位于身体多个部位，对老年使用者造成一定的不舒适，今后的研究应探讨单个传感器且位于身体哪个部位衰弱筛查准确度较高，既可以保证准确度又不会影响老年人的舒适度；2）传感器在应用时需要操作者和老年人具备一定的电子信息素养，为使设备更适宜老年人应用，研究者应简化设备操作流程，使设备能够更智能地自动筛查衰弱并做出预警；3）注重设备的隐私功能，有些设备视频监测会引起老年人的反感，认为隐私被侵犯，故研究者在使用时应合理选择设备并经过被监测者的知情同意，改善设备功能允许被监测者根据自身情况自行选择监测时段，并设置数据隐私功能；4）不同地域经济水平差距较大，普及传感器作为衰弱老年人的筛查、干预和管理工具对个人造成的负担较重。因此，需要研究者开发更经济、实用的设备，且需要国家出台相关政策，国家和社会对使用者做出一定的支持和扶持。
参考文献：
[1] RUIZ-RUIZ L，JIMENEZ A R，GARCIA-VILLAMIL G，et al.Detecting fall risk and frailty in elders with inertial motion sensors：a survey of significant gait parameters[J].Sensors，2021，21（20）：6918.
[2] 晏月平，李雅琳.健康老龄化到积极老龄化面临的挑战及策略研究[J].东岳论丛，2022，43（7）：165-175;192.
[3] O'CAOIMH R，SEZGIN D，O'DONOVAN M R，et al.Prevalence of frailty in 62 countries across the world：a systematic review and meta-analysis of population-level studies[J].Age and Ageing，2021，50（1）：96-104.
[4] 田鹏，杨宁，郝秋奎，等.中国老年衰弱患病率的系统评价[J].中国循证医学杂志，2019，19（6）：656-664.
[5] OFORI-ASENSO R，CHIN K L，MAZIDI M，et al.Global incidence of frailty and prefrailty among community-dwelling older adults：a systematic review and meta-analysis[J].JAMA Network Open，2019，2（8）：e198398.
[6] FRIED L P，TANGEN C M，WALSTON J，et al.Frailty in older adults：evidence for a phenotype[J].The Journals of Gerontology Series A，Biological Sciences and Medical Sciences，2001，56（3）：M146-M156.
[7] BLINKA M D，BUTA B，BADER K D，et al.Developing a sensor-based mobile application for in-home frailty assessment：a qualitative study[J].BMC Geriatrics，2021，21（1）：101.
[8] 赖小星，薄琳，武曌，等.基于可穿戴设备下肢抗阻运动对衰弱前期老年人影响的研究[J].北京医学，2021，43（11）：1138-1141.
[9] BIAN C，YE B，MIHAILIDIS A.The development and concurrent validity of a multi-sensor-based frailty toolkit for In-home frailty assessment[J].Sensors，2022，22（9）：3532.
[10] LIU S Q，ZHANG J C，ZHU R.A wearable human motion tracking device using micro flow sensor incorporating a micro accelerometer[J].IEEE Transactions on Biomedical Engineering，2020，67（4）：940-948.
[11] COBO A，VILLALBA-MORA E，P?REZ-RODR?GUEZ R，et al.Unobtrusive sensors for the assessment of older adult's frailty：a scoping review[J].Sensors，2021，21（9）：2983.
[12] VAVASOUR G，GIGGINS O M，DOYLE J，et al.How wearable sensors have been utilised to evaluate frailty in older adults：a systematic review[J].Journal of Neuroengineering and Rehabilitation，2021，18（1）：112.
[13] KA?TOCH E.Recognition of sedentary behavior by machine learning analysis of wearable sensors during activities of daily living for telemedical assessment of cardiovascular risk[J].Sensors，2018，18（10）：3219.
[14] RITT M，SCH?LEIN S，LUBRICH H，et al.High-technology based gait assessment in frail people：associations between spatio-temporal and three-dimensional gait characteristics with frailty status across four different frailty measures[J].The Journal of Nutrition，Health & Aging，2017，21（3）：346-353.
[15] BRODIE M A，WANG K J，DELBAERE K，et al.New methods to monitor stair ascents using a wearable pendant device reveal how behavior，fear，and frailty influence falls in octogenarians[J].IEEE Transactions on Bio-Medical Engineering，2015，62（11）：2595-2601.
[16] BUCKINX F，MOUTON A，REGINSTER J Y，et al.Relationship between ambulatory physical activity assessed by activity trackers and physical frailty among nursing home residents[J].Gait & Posture，2017，54：56-61.
[17] MINICI D，COLA G，GIORDANO A，et al.Towards automated assessment of frailty status using a wrist-worn device[J].IEEE Journal of Biomedical and Health Informatics，2022，26（3）：1013-1022.
[18] GARCIA-MORENO F M，BERMUDEZ-EDO M，GARRIDO J L，et al.A microservices e-health system for ecological frailty assessment using wearables[J].Sensors，2020，20（12）：3427.
[19] MUELLER A，HOEFLING H A，MUAREMI A，et al.Continuous digital monitoring of walking speed in frail elderly patients：noninterventional validation study and longitudinal clinical trial[J].JMIR MHealth and UHealth，2019，7（11）：e15191.
[20] REUTER C，BELLETTIERE J，LILES S，et al.Diurnal patterns of sedentary behavior and changes in physical function over time among older women：a prospective cohort study[J].The International Journal of Behavioral Nutrition and Physical Activity，2020，17（1）：88.
[21] DIEP C，O'DAY J，KEHNEMOUYI Y，et al.Gait parameters measured from wearable sensors reliably detect freezing of gait in a stepping in place task[J].Sensors，2021，21（8）：2661.
[22] LEPETIT K，MANSOUR K B，LETOCART A，et al.Optimized Scoring Tool to quantify the functional performance during the sit-to-stand transition with a magneto-inertial measurement unit[J].Clinical Biomechanics，2019，69：109-114.
[23] FUDICKAR S，HELLMERS S，LAU S，et al.Measurement system for unsupervised standardized assessment of Timed "Up & Go" and Five Times Sit to Stand Test in the community--a validity study[J].Sensors，2020，20（10）：2824.
[24] ZAMPOGNA A，MILETI I，PALERMO E，et al.Fifteen years of wireless sensors for balance assessment in neurological disorders[J].Sensors，2020，20（11）：3247.
[25] MACKINNON C D.New strides in wearable sensor technology[J].Movement Disorders，2013，28（8）：1025-1026.
[26] FILIPPESCHI A，SCHMITZ N，MIEZAL M，et al.Survey of motion tracking methods based on inertial sensors：a focus on upper limb human motion[J].Sensors，2017，17（6）：1257.
[27] YUKI A，OTSUKA R，TANGE C，et al.Daily physical activity predicts frailty development among community-dwelling older Japanese adults[J].Journal of the American Medical Directors Association，2019，20（8）：1032-1036.
[28] OBUCHI S P，TSUCHIYA S，KAWAI H.Test-retest reliability of daily life gait speed as measured by smartphone global positioning system[J].Gait & Posture，2018，61：282-286.
[29] O'NEILL B，MCDONOUGH S M，WILSON J J，et al.Comparing accelerometer，pedometer and a questionnaire for measuring physical activity in bronchiectasis：a validity and feasibility study？[J].Respiratory Research，2017，18（1）：16.
[30] THEOU O，JAKOBI J M，VANDERVOORT A A，et al.A comparison of physical activity（PA） assessment tools across levels of frailty[J].Archives of Gerontology and Geriatrics，2012，54（3）：e307-e314.
[31] HELLMERS S，IZADPANAH B，DASENBROCK L，et al.Towards an automated unsupervised mobility assessment for older people based on inertial TUG measurements[J].Sensors，2018，18（10）：3310.
[32] GOKALP H，FOLTER J D，VERMA V，et al.Integrated telehealth and telecare for monitoring frail elderly with chronic disease[J].Telemedicine Journal and E-Health，2018，24（12）：940-957.
[33] COBO A，VILLALBA-MORA E，HAYN D，et al.Portable ultrasound-based device for detecting older adults' sit-to-stand transitions in unsupervised 30-second chair-stand tests[J].Sensors，2020，20（7）：1975.
[34] ZHANG Q，GUO H Y，GU H F，et al.Gender-associated factors for frailty and their impact on hospitalization and mortality among community-dwelling older adults：a cross-sectional population-based study[J].Peer J，2018，6：e4326.
[35] LEWIS E G，COLES S，HOWORTH K，et al.The prevalence and characteristics of frailty by frailty phenotype in rural Tanzania[J].BMC Geriatrics，2018，18（1）：283.
[36] WARBURTON D E R，BREDIN S S D.Reflections on physical activity and health：what should we recommend？[J].The Canadian Journal of Cardiology，2016，32（4）：495-504.
[37] DEL POZO-CRUZ B，MA?AS A，MART?N-GARC?A M，et al.Frailty is associated with objectively assessed sedentary behaviour patterns in older adults：evidence from the Toledo study for healthy aging（TSHA）[J].PLoS One，2017，12（9）：e0183911.
[38] CHIGATERI N G，KERSE N，WHEELER L，et al.Validation of an accelerometer for measurement of activity in frail older people[J].Gait & Posture，2018，66：114-117.
[39] RAZJOUYAN J，NAIK A D，HORSTMAN M J，et al.Wearable sensors and the assessment of frailty among vulnerable older adults：an observational cohort study[J].Sensors，2018，18（5）：1336.
[40] CHEN S，CHEN T，KISHIMOTO H，et al.Associations of objectively measured patterns of sedentary behavior and physical activity with frailty status screened by the Frail Scale in Japanese community-dwelling older adults[J].Journal of Sports Science & Medicine，2020，19（1）：166-174.
[41] DE BRUIN E D，NAJAFI B，MURER K，et al.Quantification of everyday motor function in a geriatric population[J].Journal of Rehabilitation Research and Development，2007，44（3）：417-428.
[42] PARVANEH S，MOHLER J，TOOSIZADEH N，et al.Postural transitions during activities of daily living could identify frailty status：application of wearable technology to identify frailty during unsupervised condition[J].Gerontology，2017，63（5）：479-487.
[43] PATEL M，PAVIC A，GOODWIN V A.Wearable inertial sensors to measure gait and posture characteristic differences in older adult fallers and non-fallers：a scoping review[J].Gait & Posture，2020，76：110-121.
[44] SCHWENK M，MOHLER J，WENDEL C，et al.Wearable sensor-based in-home assessment of gait，balance，and physical activity for discrimination of frailty status：baseline results of the Arizona frailty cohort study[J].Gerontology，2015，61（3）：258-267.
[45] PRADEEP K D，TOOSIZADEH N，MOHLER J，et al.Sensor-based characterization of daily walking：a new paradigm in pre-frailty/frailty assessment[J].BMC Geriatrics，2020，20（1）：164.
[46] RAHEMI H，NGUYEN H，LEE H，et al.Toward smart footwear to track frailty phenotypes-using propulsion performance to determine frailty[J].Sensors，2018，18（6）：1763.
[47] JUNG D，KIM J，KIM M，et al.Frailty assessment using temporal gait characteristics and a long short-term memory network[J].IEEE Journal of Biomedical and Health Informatics，2021，25（9）：3649-3658.
[48] 徐启红，霍韵，陈春利，等.智能计步器对社区老年衰弱的诊断价值研究[J].实用心脑肺血管病杂志，2021，29（S1）：50-52.
[49] TOOSIZADEH N，MOHLER J，WENDEL C，et al.Influences of frailty syndrome on open-loop and closed-loop postural control strategy[J].Gerontology，2015，61（1）：51-60.
[50] TOOSIZADEH N，MOHLER J，NAJAFI B.Assessing upper extremity motion：an innovative method to identify frailty[J].Journal of the American Geriatrics Society，2015，63（6）：1181-1186.
[51] LEE H，JOSEPH B，ENRIQUEZ A，et al.Toward using a smartwatch to monitor frailty in a hospital setting：using a single wrist-wearable sensor to assess frailty in bedbound inpatients[J].Gerontology，2018，64（4）：389-400.
[52] DENT E，MORLEY J E，CRUZ-JENTOFT A J，et al.Physical frailty：ICFSR international clinical practice guidelines for identification and management[J].The Journal of Nutrition，Health & Aging，2019，23（9）：771-787.
[53] OZAKI K，KONDO I，HIRANO S，et al.Training with a balance exercise assist robot is more effective than conventional training for frail older adults[J].Geriatrics & Gerontology International，2017，17（11）：1982-1990.
[54] LIAO Y Y，CHEN I H，WANG R Y.Effects of Kinect-based exergaming on frailty status and physical performance in prefrail and frail elderly：a randomized controlled trial[J].Scientific Reports，2019，9：9353.
[55] LIU J Y W，KWAN R Y C，YIN Y H，et al.Enhancing the physical activity levels of frail older adults with a wearable activity tracker-based exercise intervention：a pilot cluster randomized controlled trial[J].International Journal of Environmental Research and Public Health，2021，18（19）：10344.
[56] ABRIL-JIM?NEZ P，ROJO LACAL J，DE LOS R?OS P?REZ S，et al.Ageing-friendly cities for assessing older adults' decline：IoT-based system for continuous monitoring of frailty risks using smart city infrastructure[J].Aging Clinical and Experimental Research，2020，32（4）：663-671.
（收稿日期：2023-05-30；修回日期：2024-05-20）
（本文編辑 曹妍）
