多粒度的老年人体能分级方法

罗森林， 程慧， 刘旭东， 屈世浩， 韩龙飞

(北京理工大学 信息系统及安全对抗实验中心，北京 100081)



多粒度的老年人体能分级方法

罗森林， 程慧， 刘旭东， 屈世浩， 韩龙飞

(北京理工大学 信息系统及安全对抗实验中心，北京 100081)

针对目前评价老年人体能的方法存在检测项目繁琐、费时费力等弊端，提出一种多粒度的老年人体能分级方法. 该方法首先采用多元回归、随机森林和BP神经网络3种方法进行融合决策筛选出11维与步速相关的重要属性. 然后根据人群步速特征的分布将人群划归3个不同的步速层级. 最后对相邻层级分别建立logistic回归模型，采用融合判定的方法将人群划分为7个体能等级. 经实验验证，不同体能等级间人群的各属性(除臀围外)及失能得分情况具有明显的统计学差异. 该体能分级方法可以用于评估老年人体能状态，有利于干预指导方案的制定.

体能；步速；logistic回归；老年人；失能得分

2012年底，我国老年人口数量已达到1.94亿[1]，比2011年增加891万，老龄化比例达到14.3%. 2010年，我国不健康的老年人占到老年人总体的16.8%，老年人的健康已成为家庭、社会以及国家不得不面对的一个严峻问题. 良好的体能是维持老年人正常生活的必要前提，因此，对老年人体能评价就显得十分必要.

在目前的研究中，一般采用身体活动能力和生活自理能力对老年人体能进行评价. 身体活动能力评价方法有许多种，Freiberger Ellen， DE Vreede Paul等研究发现SPPB(short physical performance battery)[2]评价方法应用最广，SPPB方法通过测量步速、从椅子上站起并坐下一定次数的时间、平衡能力(脚并拢站立、前后脚站立等)三项指标[3-5]对体能进行评价，此外还有CS-PFP[6-7]、PPS[8]等评价方法.

生活自理能力是指自主完成衣、食、住、行，及保持个人卫生整洁和进行独立的社区活动所必须的一系列基本能力. 常用来评价生活自理能力的方法有Mahoney F.I.等提出的Barthel指数[9]与Eta Katz S.提出的Katz指数[10]. 其中，Katz指数采用进食、穿衣、大小便控制等6项内容，赋予每一项一定的权值，根据最终的总得分或不能自理的项数定义最终生活自理能力的强弱.

实际上，生活自理能力在人群中的丧失率极低，难以对生活自理能力健全的大多数人做出确切的判定，而身体活动能力评价需要测量的指标又较繁琐；此外这两种评价方法的内容基本为运动项目的测试，没有综合考虑如年龄、认知功能、生活环境等影响体能的属性.

Cooper等[11]提出了考量身体活动能力综合评价是否比单个测量评价更有效的必要性，研究表明，步速是反映身体活动能力最直接的因素，甚至可以替代复杂的传统的综合评价方法[12-13]，因此本文提出以步速为中心的多粒度的老年人体能分级方法. 该方法首先将老年人人群根据步速的大小划分为3类子人群，为较快步速人群A、一般步速人群B和较慢步速人群C；然后以通过融合决策得到的11维属性作为自变量训练出两个步速logistic回归模型，为“较快-一般”步速logistic回归模型与“一般-较慢”步速logistic回归模型；将3类步速子人群按规则分别通过以上两个模型将其分为7个等级.

1 体能分级方法

多粒度的老年人体能分级方法原理图如图1所示. 方法主要分为子人群划分、属性选择、构建logistic回归模型、体能等级判定4个模块. 分级方法是围绕步速展开设计的，而步速的大小可以直观地反映展示老年人体能状况，所以首先根据步速的大小进行子人群划分，将老年人人群划分到3个等级，其输出为3类人群：较快步速人群A、一般步速人群B、较慢步速人群C. 针对3个人群的不同特点构建各具特点的logistic回归模型，构建模型需要必要的体能相关属性，故在构建模型前进行属性选择，将得到的属性用来构建回归模型. 最后体能等级判定会根据对应logistic回归模型评估个体体能等级.

1.1 子人群划分

步速的大小从总体上反应体能的强弱，通过步速对人群进行划分，实质上是对不同体能的人群进行划分. 划分的规则如下：步速的取值精确到0.1 m/s；选择人群中步速最快的25%作为较快步速人群(称A类人群)；选择人群中步速最慢的25%作为较慢步速人群(称C类人群)；步速值处于中间状态的50%作为一般步速人群(称B类人群). 即将人群划分为A、B、C3个人群. 结果如表1所示.

表1 人群划分结果

由表1中可知，较快步速人群与一般步速人群的切点为1 m/s，一般步速人群与较慢步速人群的分割点为0.65 m/s，较快步速人群与较慢步速人群占总人群比约为23%，不到25%. 由于步速与体能相关的最重要的属性，因此，总体上，A人群体能要好于B人群，B人群体能要好于C人群.

1.2 属性提取

实验采用预处理后共有59维属性的3 060条数据. 属性提取的原理图如图2所示. 属性提取的方法将线性分析与非线性分析相结合，采用多元回归、随机森林和BP神经网络3种方法.

在属性选择的过程中，通过子人群划分使得通过属性排序的人群分为4种：全部人群、A类人群、B类人群、C类人群. 将4类人群分别通过多元回归、随机森林和神经网络3种方法，然后根据各属性的重要程度对属性排序. 属性融合将前面4×3种排序，并按照以下规则进行处理：A，某属性是两个及两个以上人群的重要属性，其中选择每种方法前20的属性中出现两次的属性以及排名前30的属性中出现3次的属性作为各类人群的重要属性；B，去除采集代价较大的血检指标.

通过实验最终获得11维属性：健康状况(自评为很好、好、一般、差、很差)、年龄、关节问题(是否有关节病)、认知功能(MMSE标准)、食肉频率(经常、较常、较少、素食)、是否参加体检(是或否)、体重(kg)、身高(cm)、腰围(cm)、臀围(cm)和收缩压(mmHg).

1.3 老年人体能分级模型构建

步速划分得到的3个人群在总体上反应体能的强弱，不同体能等级间采用logistic回归构建判别模型，并对人群进行体能分级.

构建的logistic回归模型包括AB logistic回归模型与BC logistic回归模型，AB logistic回归模型表示由A人群与B人群训练得到的“较快-一般”步速logistic回归模型，输出是判为A类的概率. BC logistic回归模型表示由B人群和C人群训练得到的“一般-较慢”步速logistic回归模型，输出是判为B类的概率.

对于每个logistic回归模型，其切点的选择标准为：① 敏感性和特异性的和最大；② 经logistic回归判定后的结果表明较慢步速的人群要略大于其原来比例；较快步速人群要略小于原来比例.

因此，在最佳切点周围以0.01为间隔，统计不同切点下各分级人群的比例，选择符合上述要求的切点作为logistic回归模型的最终切点.

AB logistic回归模型如表2所示，收缩压的系数的显著性为0.06，在0.05～0.10之间，其它属性系数的显著性均小于0.05. 根据理论最佳切点选择原则，理论最佳切点为0.30.

BC logistic回归模型如表3所示，收缩压的系数的显著性为0.59，其它属性系数的显著性均小于0.05. 根据理论最佳切点选择原则，0.66为理论最佳切点.

表2 AB logistic回归模型

表3 BC logistic回归模型

由回归模型可得，AB logistic回归模型的理论最佳切点为0.30，BC logistic回归模型的理论最佳切点0.66，因此，在两个最佳切点周围，以0.01为间隔，统计在相应切点下，各等级人群的比例，选择满足上述要求的切点. 最终AB logistic模型切点确定为0.37，BC logistic模型切点确定为0.60.

1.4 体能等级判定

根据步速，人群被划分为A，B，C3种人群. 通过1.4节构建的logistic回归模型，对个体体能进行判定.B人群需经AB logistic回归模型和BC logistic回归模型的共同决策才可实现体能判定，如图3所示；而A人群和C人群分别只需经过AB logistic回归模型或BC logistic回归模型即可完成人群体能判定.

A人群经过AB logistic回归模型被判定为A人群或B人群，因此，较快步速人群通过体能分级分成两个等级，A1级(结果Ⅰ：较快步速人群中具有较快步速人群特性的样本)与A2级(结果Ⅱ：较快步速人群中具有一般步速人群特性的样本)；C人群经过BC logistic回归模型被判定为B人群或C人群，因此，较慢步速人群被划分为两个等级，C1级(结果Ⅰ：较慢步速人群中具有一般步速人群特性的样本)与C2级(结果Ⅱ：较慢步速人群中具有较慢步速人群特性的样本)，如表4所示.

表4 较快和较慢步速人群模型输出与体能等级对照表

B人群经体能等级判定的输出情况如表5所示. AB logistic回归模型和BC logistic回归模型输出都为1时判定为B1级(结果Ⅰ：一般步速人群具有较快步速人群特性的样本)，都为0时判定为B3级(结果Ⅳ：一般步速人群中具有较慢步速人群特性的样本)，否则判定为B2级(结果Ⅱ：一般步速人群既具有较慢步速人群，又具有较快步速人群特性的样本；结果Ⅲ，一般步速人群具有一般步速人群特性的样本).

表5 一般步速人群模型输出与体能等级对照表

因此，通过该体能等级方法，将人群体能分为A1、A2、B1、B2、B3、C1和C27个等级.

2 实验分析

2.1 实验目的和实验数据源

为构建并验证本文提出的老年人体能分级方法的正确性及合理性，设计本实验. 实验所用数据源是北京医院提供的体检数据，该数据源通过预处理后为3 060条60岁以上的59维的非病房数据. 属性共分为7个方面，为基本属性、身体测评、生活行为、常规体检、心理健康、认知功能、医疗情况. 其中文化程度、婚姻状况、工作性质、家庭类型与现居住为分类变量. 实验用到健康状况、年龄、关节问题、认知功能、食肉频率、是否参加体检、体重、身高、腰围、臀围与收缩压共11维属性. 另外， 数据中的属性“失能得分”是通过评估个体30项活动，如生活自理能力、认知、情绪等方面，每项赋值7分，每项活动最差得1分，最优得7分，满分210分.

2.2 实验环境和条件

实验软件资源如下：① IBM SPSS 19.0，实验室提供，用于基本的数据统计、作图等；② R软件、开源软件，用于数据建模.

实验硬件资源为：一台Dell optiplex 380 PC；3.0 GHz CPU，DDR 4.0 GB，IDE 7 200转，300 G； Windows XP SP3操作系统；VS2010编译环境.

2.3 评价方法

体能判定的结果受不同的人群分类和逻辑回归模型影响. 从体能等级判定介绍中可知，A1与B1级别的属性具有较快步速人群的特性，A2、B2、C1级别的人群具有一般步速人群的特性，B3、C2级别的人群具有较慢步速人群的特性，7个级别可以被划分为3个层次. 通过统计各体能等级定量属性的均值和标准差，分析3个层次间是否有差异，层次内部是否相似. 同时， 分析A、B与C类人群类内不同等级之间是否存在明显的差异，若满足此现象，则可认为分级具有合理性. 此外，还与个人的失能得分情况进行对比，从而进行验证.

2.4 实验结果

对上述3 060条数据利用本文体能分级方法，得到的分级统计结果如表6所示.

表6 各属性在等级划分后统计结果展示

*符号“±”前数据为均值，之后数据为标准差；“自评结果”包括最好、好、一般、差和很差，“食肉频率”包括经常、较常、较少和素食，表中数据为各个状态的百分比，如21.91表示“自评结果”为“最好”的占21.91%；关节问题一栏表示有关节问题的所有个体所占比例；是否体检一栏表示参加体检的所有个体所占比例.

由表6可以看出，对于量化属性，除臀围与收缩压外，随体能7个等级的变化关系可总结为，如果该属性与步速总体上呈正相关，则该属性在A1与B1时最大，而在B3与C2时最小，A2、B2与C1处于中间状态；如果该属性与步速呈负相关，则该属性在A1与B1时最小，而在B3与C2时最大，A2、B2与C1处于中间状态. 同时，7个等级的各属性值均值总体分成3个层次，A1、B1处于一个层次、B3、C2处于一个层次，处于中间状态的A2、B2、C1属于一个层次. 臀围在7个等级中，变化很小，收缩压在A1与B1时取得最小值，B2、B3、C1、C24个等级有95%的可能性是相等的，其3个等级分级并不明显. 对于等级属性，表现为自评状况越好、食肉频率越高、关节问题少，并且参加体检个体有较好的体能. 另外，经过体能分级，A，B，C3个子人群内的不同等级之间在各属性上有明显的差异.

2.5 结果验证

失能得分在很大程度上能够反映一个人的体能情况，所以本文通过对不同等级间失能得分进行分析来完成实验结果验证.

由表7的失能得分可以看出，A2失能得分低于B1，B3低于C1，C2的等级得分最低，是7个等级中唯一低于200分的等级，B3次之，B1与A1两者的失能得分最高，接近210分(满分)，即可以完成失能状况中要求的全部功能，与实际情况相符合，A2与B2的失能得也大于207分，低于A1与B1. 失能得分最低的2个等级为B3与C2，失能得分最高点的2个等级为A1与B1，与年龄、认知功能等属性变化一致. 另外，该分级方法将A类人群分成的2类之间在体能上存在差异，B类人群的3类之间以及C类人群的2类之间均存在差异性，说明了该体能分级方法的有效性与合理性.

表7 各体能等级下失能得分情况

步速是对体能影响最大的因素，甚至可以代替更加传统的复杂的用来评价体能的身体活动能力方法，在表6中可以看到，通过步速划分成的3个人群，除臀围外，全部呈单调变化，充分证明了步速对于体能的影响作用. 同时，A2等级的步速大于B1等级，体能要弱于B1；B3步速大于C1，体能却弱于C1，说明步速并不能完全反应体能的强弱. 因此，通过该体能分级方法，不仅可以筛选出步速较小时体能较弱的人群，还可以筛选出步速为一般步速时，体能较弱的个体，说明该方法在体能评价方面更具合理性.

3 结 论

本文提出一种以步速为核心的多粒度的老年人体能分级方法，将体能分为A1、A2、B1、B2、B3、C1和C27个等级. 通过步速划分得到A、B、C3个人群，表现为步速越大，体能越强. 由A等级进一步划分得到A1(很好)、A2(好，但有下降趋势)2个等级、B等级进一步划分得到B1(尚佳)、B2(一般)、B3(一般，有下降趋势)3个等级以及C等级进一步划分得到C1(差)、C2(很差)两个等级. 这些等级的人群在步速、年龄、认知功能、腰围、身高、体重及失能得分方面，具有明显的统计学差异，并且各属性的变化趋势与失能得分变化一致，自评健康状况越好、食肉频率高、关节问题少、参加体检预示着较好的体能. 该方法可以筛选出体能有下降趋势的人群，该部分人群可以作为未来干预相关工作的研究对象.

[1] 吴玉韶，党俊武.中国老龄事业发展报告[M].北京:社会科学文献出版社，2013.

Wu Yushao， Dang Junwu. The development report of Chinese aging business[M]. Beijing: Social Sciences Academic Press， 2013. (in Chinese)

[2] Freiberger E， De Vreede P， Schoene D， et al. Performance-based physical function in older community-dwelling persons: a systematic review of instruments[J]. Age and Ageing， 2012,41(6):721.

[3] Vasunilashorn S， Coppin A K， Patel K V， et al. Use of the short physical performance battery score to predict loss of ability to walk 400 meters: analysis from the InCHIANTI study[J]. The Journals of Gerontology Series A: Biological Sciences and Medical Sciences， 2009，64(2):223-229.

[4] Marsh A P， Haakonssen E H， Wrights A P， et al. A self-report measure of physical function in older adults using computer animation: the virtual short physical performance battery[J]. Medicine & Science in Sports & Exercise， 2010，42(5):592.

[5] Corsonello Andrea，Lattanzio Fabrizia，Pedone Claudio，et al. Prognostic significance of the short physical performance battery in older patients discharged from acute care hospitals[J]. Rejuvenation Research， 2012，15(1):41-48.

[6] Schenkman Margaret， Hall D A， Baron A E，et al. Exercise for people in early-or mid-stage Parkinson disease: a 16-month randomized controlled trial[J]. Physical Therapy， 2012，92(11):1395-1410.

[7] Schenkman M， Ellis T， Christiansen C， et al. Profile of functional limitations and task performance among people with early-and middle-stage Parkinson disease[J]. Physical Therapy， 2011，91(9):1339-1354.

[8] Kim M，Tanaka K. A multidimensional assessment of physical performance for older Japanese people with community-based long-term care needs[J]. Aging Clinical and Experimental Research， 2014，26(3):269-278.

[9] Mahoney F I. Functional evaluation: the Barthel index[J]. Maryland State Medical Journal， 1965，14:61-65.

[10] Eta Katz S. Studies of illness in the aged，the index of ADL: a standardized measure of biological and psychological function[J]. The Journal of the American Pomological Society，1963，185:94f.

[11] Cooper R， Kuh D， Cooper C， et al. Objective measures of physical capability and subsequent health: asystematic review[J]. Age and Ageing， 2011，40(1):14-23.

[12] Seino S， Kim M， Yabushita N， et al. Is a composite score of physical performance measures more useful than usual gait speed alone in assessing functional status？[J]. Archives of Gerontology and Geriatrics， 2012，55(2):392-398.

[13] Cesari M. Role of gait speed in the assessment of older patients[J]. Jama， 2011，305(1):93-94.

(责任编辑：刘芳)

A Multi-Granularity Stratification Method for the Elderly Physical Fitness

LUO Sen-lin， CHENG Hui， LIU Xu-dong， QU Shi-hao， HAN Long-fei

(Information System & Security and Countermeasures Experiments Center，Beijing Institute of Technology， Beijing 100081, China)

A multi-granularity stratification method for the elderly physical fitness was proposed to overcome the tedious test items and time-consuming problem. Firstly, eleven key features were selected by three methods-multiple regression, random forest and BP neural network. Secondly, the individuals were divided into three different walking speed grades according to their speed characteristics. Finally, two logistic regression models were trained with the adjacent level of speed grades, and the physical fitness problem was stratified into seven levels based on the ensemble classification method. The experiment results show the basic features and disability score of people in different physical fitness levels have obvious statistical difference. The method can be utilized to assess the elderly physical fitness, and be beneficial for formulating the procedures and guidance.

physical fitness; walking speed; logistic regression; the elderly; disability score

2014-09-19

国家自然科学基金资助项目(U0970184，30971395)；国家“十二五”科技支撑计划项目(SQ2011BAJY3338)

罗森林(1968—)，男，博士生导师，E-mail:luosenlin@bit.edu.cn.

刘旭东(1989—)，男，硕士，E-mail:fasilylxd@163.com.

TP 391

A

1001-0645(2016)11-1160-06

10.15918/j.tbit1001-0645.2016.11.012