Falls are a significant problem for persons with multiple sclerosis (PwMS). Yet fall prevention interventions are not often prescribed until after a fall has been reported to a healthcare provider. While still nascent, objective fall risk assessments could help in prescribing preventative interventions. To this end, retrospective fall status classification commonly serves as an intermediate step in developing prospective fall risk assessments. Previous research has identified measures of gait biomechanics that differ between PwMS who have fallen and those who have not, but these biomechanical indices have not yet been leveraged to detect PwMS who have fallen. Moreover, they require the use of laboratory-based measurement technologies, which prevent clinical deployment. Here we demonstrate that a bidirectional long short-term (BiLSTM) memory deep neural network was able to identify PwMS who have recently fallen with good performance (AUC of 0.88) based on accelerometer data recorded from two wearable sensors during a one-minute walking task. These results provide substantial improvements over machine learning models trained on spatiotemporal gait parameters (21% improvement in AUC), statistical features from the wearable sensor data (16%), and patient-reported (19%) and neurologist-administered (24%) measures in this sample. The success and simplicity (two wearable sensors, only one-minute of walking) of this approach indicates the promise of inexpensive wearable sensors for capturing fall risk in PwMS.

中文翻译：

---

可穿戴设备和深度学习将多发性硬化症患者的跌倒风险分类

对于患有多发性硬化症 (PwMS) 的人来说，跌倒是一个重大问题。然而，在向医疗保健提供者报告跌倒后，通常不会开出预防跌倒的干预措施。虽然仍处于初期阶段，但客观的跌倒风险评估可能有助于制定预防性干预措施。为此，回顾性跌倒状态分类通常作为开发前瞻性跌倒风险评估的中间步骤。以前的研究已经确定了在 PwMS 跌倒和未跌倒之间存在差异的步态生物力学测量方法，但这些生物力学指标尚未用于检测跌倒的 PwMS。此外，它们需要使用基于实验室的测量技术，这阻碍了临床部署。在这里，我们证明了一个双向长短期 (BiLSTM) 记忆深度神经网络能够基于在一分钟步行任务期间从两个可穿戴传感器记录的加速度计数据来识别最近摔倒的 PwMS，表现良好（AUC 为 0.88） . 这些结果对时空步态参数（AUC 提高 21%）、可穿戴传感器数据的统计特征（16%）、患者报告（19%）和神经科医生管理（24%）的机器学习模型进行了显着改进在这个样本中测量。这种方法的成功和简单（两个可穿戴传感器，步行只需一分钟）表明廉价的可穿戴传感器有望用于捕捉 PwMS 中的跌倒风险。88）基于在一分钟步行任务期间从两个可穿戴传感器记录的加速度计数据。这些结果对时空步态参数（AUC 提高 21%）、可穿戴传感器数据的统计特征（16%）、患者报告（19%）和神经科医生管理（24%）的机器学习模型进行了显着改进在这个样本中测量。这种方法的成功和简单（两个可穿戴传感器，步行只需一分钟）表明廉价的可穿戴传感器有望用于捕捉 PwMS 中的跌倒风险。88）基于在一分钟步行任务期间从两个可穿戴传感器记录的加速度计数据。这些结果对时空步态参数（AUC 提高 21%）、可穿戴传感器数据的统计特征（16%）、患者报告（19%）和神经科医生管理（24%）的机器学习模型进行了显着改进在这个样本中测量。这种方法的成功和简单（两个可穿戴传感器，步行只需一分钟）表明廉价的可穿戴传感器有望用于捕捉 PwMS 中的跌倒风险。在这个样本中，患者报告的（19%）和神经科医生管理的（24%）测量。这种方法的成功和简单（两个可穿戴传感器，步行只需一分钟）表明廉价的可穿戴传感器有望用于捕捉 PwMS 中的跌倒风险。在这个样本中，患者报告的（19%）和神经科医生管理的（24%）测量。这种方法的成功和简单（两个可穿戴传感器，步行只需一分钟）表明廉价的可穿戴传感器有望用于捕捉 PwMS 中的跌倒风险。