💻 computer science

Adaptive Multi-Agent Feature Selection for Personalized Fall Risk Prevention

本文介绍了一种名为 PAFIR 的基于强化学习的框架，该框架对纵向多模态健康数据进行自适应、个性化的特征选择，以动态识别不断演变的跌倒风险因素，并改善针对老年人的预防策略。

原作者： Chang Liu, Ladda Thiamwong, Yanjie Fu, Rui Xie

发布于 2026-08-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Chang Liu, Ladda Thiamwong, Yanjie Fu, Rui Xie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

老年人的跌倒不仅仅是意外；它们往往是身体物理能力与大脑对安全感知之间复杂且不断变化的相互作用的结果。几十年来，医学界已经了解到，肌肉力量减弱、平衡感差以及对运动的恐惧等风险因素是预防此类伤害的核心。然而，一个持久的挑战在于，这些因素并非静态不变。一个人的风险特征会随着时间推移而改变，受到日常活动、逐渐的身体衰退或自信心的突然变化等因素的影响。传统的识别风险人群的方法通常依赖于患者健康的单一快照或固定的预警信号清单，未能考虑到这些信号如何随时间演变以及如何在临床检查与连续运动追踪等不同类型的数据中相互作用。

为了解决这一问题，研究人员开发了一种名为 PAFIR 的新方法，该系统旨在学习哪些风险因素在随着时间推移对每个个体最为重要。该系统利用来自一项涉及佛罗里达州中部 341 名生活在老年社区的老年人的大规模真实世界研究数据进行了测试。这些参与者接受了数月的监测，提供了丰富的信息流，包括结构化的医学评估、关于信心和习惯的调查问卷，以及通过可穿戴传感器捕捉到的分钟级连续运动记录。其目标是观察计算机是否能够从这些海量数据中识别出最相关的预警信号，并随着参与者生活的展开而调整其选择，而不是固守一份僵化、预先确定的清单。

研究人员发现，通过将风险因素的选择视为一个学习过程，该系统能够识别出静态方法所遗漏的模式。该系统的工作原理是不断比较不同的数据组——例如身体力量与心理信心——以观察哪种组合最能预测跌倒或平衡能力的下降。它使用一种类似于教练调整训练计划的方法：尝试一组新的因素，观察结果，然后根据预测是否改进来优化其选择。至关重要的是，由于在如此规模的研究中实际发生的跌倒属于稀有事件，该系统还被教导去倾听“代理”信号，例如患者自述的跌倒恐惧感或他们在平衡测试中的表现，这些信号即使在没有发生事故时也能提供持续的反馈。这使得系统无需等待罕见的负面事件发生，就能有效地进行学习。

当应用于 PEER 研究的数据时，该系统揭示了两组参与者之间的显著差异：一组接受结合了身体锻炼与认知及心理支持的专门干预措施，另一组则接受标准护理。对于干预组，系统一致地识别出了更广泛的风险因素，包括焦虑、注意力控制和行为调节等心理测量指标，同时也包括物理指标。这表明，当身心结合在一起时，跌倒的风险就与一组更广泛的互联因素紧密相关。相比之下，对于对照组，系统则几乎完全聚焦于传统的物理指标，如衰弱、肌肉功能和慢性健康状况。这种差异表明，一个人接受的护理类型可以从根本上改变哪些风险因素对其安全最为相关。

研究还追踪了个人在跌倒前后的风险因素是如何变化的。对于一名特定的参与者，系统显示在跌倒之前，最重要的预警信号是握力下降。然而，在跌倒发生后不久，最显著的信号转变为其躺卧的时间，同时心理因素（如正念和行为筛查指标）也变得高度相关。这说明个人的预警信号并非固定不变；它们会随着个人状况的变化而演变。该系统成功捕捉到了这些转变，从关注身体机能转向了在受伤后包含心理和行为变化的更广泛视角。

在将该系统与其他先进方法进行对比测试时，研究人员发现 PAFIR 在恢复真实的风险因素集方面更加准确，且在时间上的选择更加稳定。它特别擅长保留不同因素之间的关系，即识别出身体能力的下降往往与心理状态的变化相伴而行。通过移除系统比较不同数据组的能力或使用连续代理信号的功能，研究人员证实了这些特定特征对其成功至关重要。如果没有这些功能，系统识别正确因素的能力会显著下降，这证明了这种适应性、对比性的方法正是其能够应对现实世界健康数据复杂性的关键所在。

研究结果表明，个性化的跌倒预防并不需要单一、通用的预警信号清单。相反，最有效的策略可能需要根据个体的当前状态、其接受的护理类型以及其风险因素随时间变化的特定互动方式来进行调整。通过学习现代技术所能提供的连续数据流，像 PAFIR 这样的系统提供了一种超越静态清单、迈向动态理解风险的方式。这种方法允许进行更早、更具针对性的干预，通过解决导致危险的具体且不断变化的因素，潜在地帮助老年人维持其独立性。虽然该系统是在受控的研究环境中测试的，但其结果指向了一个未来：跌倒预防将变得像其旨在保护的人群一样，具有响应性和个性化。

技术摘要：PAFIR —— 用于跌倒风险识别与预防的个性化自适应特征选择框架

问题陈述
老年人的跌倒构成了一个关键的公共卫生挑战，其背后是由多个风险领域中复杂且随时间变化的相互作用所驱动的。现有的跌倒风险识别方法在很大程度上是静态的，无法针对多样化的模态（例如，结构化临床调查、可穿戴传感器流）以及随时间演变的个体化风险因素进行自适应建模。主要挑战包括：

数据异构性： 如何整合稀疏且延迟的跌倒结果，与连续、高频的可穿戴设备数据以及结构化临床评估。
动态交互： 身体机能与心理风险感知（如对跌倒的恐惧）之间的失衡会随时间演变，但大多数模型假设关系是静态的，或将各因素视为孤立存在。
稀疏奖励： 跌倒事件是罕见且不规则的。在 PEER 研究中，在 1,364 次访问级观测中仅观察到 69 次跌倒事件，这种稀疏的奖励信号使得标准强化学习（RL）智能体难以学习有效的特征选择策略。

方法论：PAFIR 框架
作者提出了 PAFIR（用于跌倒风险识别与预防的个性化及自适应特征选择框架），将跌倒风险因素识别建模为一个基于纵向多模态健康数据的多智能体强化学习问题。该框架包含三个核心创新点：

层级化多模态状态表示：
- 结构化编码： 根据 PEER 评估领域，将临床特征组织成具有临床意义的组别（例如，身体成分、心理状态）。在每个组别内，特征形成一个全连接图以捕捉域内相关性。组间拓扑结构则捕捉了不同领域间重要性的协同变化。
- 时间序列编码： 可穿戴设备衍生的时间序列数据（如步数、向量幅值、姿态状态）通过基于 Transformer 的时间序列编码器进行处理，以捕捉临床访问期间细粒度的行为动态。
- 状态融合： 融合机制将结构化特征表示与时间嵌入对齐，为每个参与者在每个更新时刻 $t$ 创建一个全面的状态表示 $s_{i,t}$ 。
自适应比较驱动的特征选择机制：
PAFIR 采用了一个三智能体 RL 框架，将特征选择过程分解为顺序执行的协调决策：
- 候选智能体（Candidate Agent）： 基于潜在的结果相关性，提议一个用于评估的特征组。
- 参考智能体（Reference Agent）： 从剩余空间中选择一个竞争性的特征组进行比较。
- 操作智能体（Operation Agent）： 根据比较结果决定添加、移除或保留该候选组。
  该机制通过将候选组与参考组进行比较，迭代地优化活跃特征集 $F_{i,t}$ ，从而使模型能够评估增量贡献，而非孤立地评估特征。
带有临床代理指标的稀疏感知奖励设计：
为了应对跌倒事件稀缺的问题，PAFIR 利用了动态奖励机制：
- 跌倒事件： 当发生跌倒时，奖励会立即进行调整，以反映所选特征的贡献。
- 临床代理指标： 在没有跌倒发生时（定期访问期间），奖励由已知与跌倒风险相关的临床验证代理指标得出，具体包括跌倒效能量表-国际版（FES-I）和 BTrackS 平衡追踪系统（BBS）评分。
- 奖励函数： 奖励 $r_{i,t}$ 计算为相对于此前观察到的最佳性能（使用跌倒结果或代理指标）的性能提升，从而确保即使在缺乏跌倒事件的情况下也能获得持续的反馈。

核心贡献

RL 中的层级结构： 本文将拓扑感知层级结构嵌入到 RL 框架中，以捕捉特征之间的多层依赖关系，反映了临床评估的自然组织形式（例如，“对跌倒的恐惧”领域内的问卷条目）。
比较驱动的选择： 所提出的机制将选择过程分解为候选生成、基于参考的比较和迭代优化，从而在复杂的、高度相关的医疗环境中实现更可靠的风险因素识别。
稀疏感知奖励： 通过利用临床代理指标来增强稀疏的跌倒事件信号，该框架能够捕捉更广泛的跌倒风险模式，并提高在低事件场景下的特征选择鲁棒性。

实验结果
该框架使用来自 Physio fEedback Exercise pRogram (PEER) 集群随机对照试验的数据进行了评估（341 名参与者，1,364 次访问级观测，以及超过 250 万个带时间戳的可穿戴设备观测值）。

性能： PAFIR 在特征恢复率（FRR）（0.874 对比次优值的 0.795）和选择稳定性（0.990）方面均优于最先进的基准模型（包括 TAR、SAT、TTG、Group LASSO 和 LASSO）。它还实现了卓越的相关性恢复（0.974），表明能更好地保留特征间的依赖关系。
消融实验： 移除任何核心组件（层级结构、三智能体机制或稀疏感知奖励）都会导致性能持续下降，证实了各要素的必要性。
临床洞察：
- 社区层面： PAFIR 识别出干预点（Kinneret）一致地选择了心理和行为因素（如焦虑、正念）以及物理指标，而对照点（LCA）则主要依赖传统的物理和功能因素。这表明干预措施成功地带动了心理领域的参与。
- 时间动态： 模型捕捉到了相对于跌倒事件变化的特征重要性偏移。在跌倒前，体力活动和肌肉力量较为突出；在跌倒后，模型扩展到了心理、行为和临床筛查特征（如睡眠模式、睡眠类型），反映了多维度的康复与风险剖面。
- 个性化： 该框架展示了生成个体化、随时间演变的特征优先级的能力，实现了从基线久坐行为指标向跌倒后心理及临床筛查需求的自适应转变。

意义与主张
本文声称，通过实现动态的、针对特定受试者的特征选择，使其能够适应不断变化的风险因素，PAFIR 相比静态或单模态方法取得了显著进步。通过整合多模态数据并利用代理信号来克服数据稀疏性，PAFIR 支持更及时且个性化的跌倒预防策略。作者认为，这种方法可以推广到其他需要从异构、多模态且纵向的数据中识别临床相关风险因素的医疗场景，特别是在结果稀疏或延迟的场景下。研究强调，有效的预防不仅需要检测风险信号，还需要自适应地确定对于每个个体而言，哪些特征是最具信息量的，以及何时进行干预。

技术摘要：PAFIR —— 用于跌倒风险识别与预防的个性化自适应特征选择框架

类似论文