老年人之跌倒分析

論及跌倒相關之研究，不得不探討老年人之跌倒相關情形。因為老年人 是發生跌倒的高危險群，在歐美國家有許多此方面的相關研究，且已成為被 重視的公共衛生議題。

2.1.1 跌倒定義

跌倒事件是醫院常見的事件，所以在國外例如:美國、英國或加拿大 等，對醫院裡的病人跌倒事件視為一件重要的公共衛生議題。至於「跌 倒」在一些文獻裡對它的定意有不同的看法與解釋，在本研究裡對「跌 倒」之定義為參考台灣財團法人醫院服務暨醫療品質策進會（簡稱「醫 策會」），其將「跌倒」定義如下：凡是發生在任何場所、任何情境下、

不論有無造成身體傷害之「非預期性地」跌坐或滑坐於地面，包括因肢 體無力或扶持不住而不得不緩緩坐於地上。在其他文獻裡將跌倒定義

為：不慎地跌落於地面或其他平面，但排除以下情形:暴力、失去意識 或者是中風或癲癇所造成的突然性癱瘓發作[2]；突然及無意間地跌落 於地面或其他平面[3]。簡單來說，當個人失去平衡後無法以雙腳支撐 身體重量，造成身體其他部位接觸地面，來支撐部份或全身的重量，就 稱為跌倒。

2.1.2 跌倒成因

一個人要維持步伐的穩定度需要以下四個步驟均配合良好方可：

1. 感覺神經的輸入 2. 中樞神經的整合 3. 認知功能的完好 4. 肌肉骨骼的執行

由於人是靠雙腳行動來達到移動的動作，在利用雙腳行動的同時，

全身相關的肢體及器官就要互相作用以維持平衡。人體在平衡的過程 中，經過一連串複雜而有系統的神經肌肉傳導。傳導的過程中主要是由 感覺神經、中樞神經和運動神經三大系統來負責。跌倒是因為平衡過程 出現干擾現象，干擾而導致失去平衡時，就會有跌倒的情況發生[4]。

造成老年人跌倒原因的複雜，至今仍無被廣泛接受的分類方式，大 都將危險因子分為內因性(intrinsic)與外因性(extrinsic)。內在危險因子與

老人本身的特性相關，如下肢無力、握力不足、平衡功能不良、日常生 活活動功能障礙、認知功能障礙、視力或聽力不佳、急性與慢性疾病、

藥品使用等。外在危險因子與環境因素相關，如照明不佳、地面不平、

浴室沒安裝扶手與防滑地板等安全措施或雜物凌亂放置未擺放整齊等。

2.1.3 動作分析

所謂姿勢（posture），是意味著姿態、樣子或身體的姿態的名詞。

從人體的運動學立場給姿勢下定義時，大致可分為兩種。

1. 姿態(attitude)

所謂姿態是指身體的各部份，即頭部、軀幹、四肢的相對產位置關 係的意思，是以所謂頭部前屈位、上肢外轉位、軀體後屈的形態來表現 的並依體節相互位置關係的關節角度來測定。

2. 體位（position）

所謂體位，是表示身體與重力的方向位於何種關係，以立體、背臥 位或側臥位的形態來表示。即指身體被安置的狀態之面與軸的重力方 向，也就是與垂直軸相對的關係。

一般人體因某些因素而失去平衡時，便有可能會發生跌倒的情況，

此時身體會呈現傾向一方向傾倒的狀態，其經身體一連串的作用結果，

可能發生的姿勢包含如圖2-1 這幾種可能：

圖 2-1 人體跌倒時之可能姿勢分析

跌倒的發生是身體不自主失去平衡的行為，在發生跌倒時通常是自 己本身所無法控制的傾倒動作，因此在跌倒時，一般都只發生在短暫時 間，比起一般的正常動作（如蹲下或躺下等等）要短上許多，也因為身 體會在一瞬間傾倒，致使身體重心瞬間朝傾斜方向移動，如此的身體動 作結果便會產生加速度值，國內外有許多針對跌倒偵測的研究，就是以 跌倒發生時所產生的加速度值來作為判斷跌倒的重要參考依據[5]。

2.1.4 相關研究

國內外有許多相關文獻當中包含了各種不同的跌倒偵測方式，有的 是使用特殊感應器或硬體裝置輔助偵測[5-8]。例如：Allen 等人使用適 應性的高斯混合模型方法基於加速度計來做各式動作分類判別[6]。維

京尼亞大學的 Alwan 等人提出壓電換能器放置於地板上，用地板振動 的偵測來辨識是否有跌倒的行為[7]。而有的則是利用監視器建構出一 個智慧型監控系統來輔助看護使用者判別是否發生跌倒的狀態，幫助醫 護人員或家屬進行遠距照護的工作[9-15]。

使用監視系統概念的看護系統是利用攝影機擷取到的視訊影像，進 行人員的偵測與行為分析。舉凡人體最常出現的日常活動的行為（跑、

蹲、跳、爬、走…等）的分類辨識；分析人是否攜帶物體、放置物體等 簡單行為，皆是近年來影像辨識熱門的研究領域。大體來說，人體動作 的行為分析主要有以下兩種方式：

1. 樣板比對法(Template Matching)：

此類方法先將影像資料流轉換為特殊的靜態模型並且抽取特 徵訓練。進行辨識行為時，再將所得到的影像和預先訓練儲存的樣 本模型做比對。使用樣板比對技術的優點是計算複雜度低、容易實 現，但是這種方法對於雜訊和運動時間間隔的變化非常敏感。

2. 狀態空間法(State Space Approaches)：

此類方法利用狀態空間模型將每一個靜態姿勢定義為一個狀 態，並且利用一些數學模型計算各狀態間的相關機率與聯合機率。

即任何影像序列都可以看成是這些姿勢不同狀態間的歷程，在此歷 程內計算其聯合機率，其中最大值的就被挑選為此分類行為的標 準 。 目 前 在 此 分 類 分 析 中 最 有 代 表 性的 是 隱 藏 式 馬 可 夫 模 型

(Hidden Markov Models, HMMs)。

一般使用影像看護系統通常必須使用多台攝影機分別架設在空間 不同的位置，這樣在佈線與架設位置需要事先計算外也免不了一筆額外 的花費。因此 Greiffenhagen 等人[11]於 2001 年提出一種不同以往的監 視系統，他們利用一個 CCD 攝影機和一個凸面鏡組合成一個全向 (omni-direction)之監視系統，不但可以解決死角問題，又可以降低花費。

此種特殊的監視系統被提出後，許多與此相關的研究與應用也陸續被探 討應用 [13]。