穿戴式感測裝置對行動力衰弱照護的新進展

:::

穿戴式感測裝置對行動力衰弱照護的新進展

連偉志、楊子宜、蔡美玲

在高齡社會中，「衰弱症（Frailty）」被視為老年人失能與死亡風險升高的重要前兆，涵蓋體力、活動力、自律神經與慢性病控制等多面向功能衰退。對應高齡者生活機能，將衰弱分為三類：行動力衰弱，心理衰弱，社會衰弱。目前臨床上常用的衰弱監測工具包括臨床衰弱評估量表（Clinical Frailty Scale）、Fried’s Frailty Phenotype Assessment、SPPB 與 FRAIL 量表。這些工具多仰賴單次施測與主觀問答，雖能辨識「強壯，衰弱前期與衰弱」三類族群，但受限於分類非連續型資料與施測者判讀主觀性高，難以用於個別化預防策略的精確分析及效果評估。

為克服上述限制，數位健康科技，特別是穿戴式感測器與人工智慧（AI）分析系統，提供了具潛力的解決方案。穿戴裝置可連續記錄步態、活動量、心率等資料，成為功能性狀態與健康變化的重要數位生物標記。研究顯示，這類數位指標在辨識虛弱風險方面甚至優於傳統工具。

這些感測資料得以建構大量資料庫，進一步應用深度學習（deep learning）技術，整合多模態感測資訊以建構智慧聯網系統（AIoT），提高分類準確率、減少主觀誤差，並促進精準與個別化介入設計。此一策略預示著虛弱照護從被動回應轉向主動監測的重大轉型。

常見應用於行動力監測之裝置如下：包括 MTx XSENS（內建九軸慣性感測器），擷取三維動作資料（Vavasour et al., 2021）。ActiTrainer 結合胸部心率帶與肌電圖（sEMG）模組，記錄活動強度與肌力訊號（Vavasour et al., 2021）。iPhone 內建三軸感測器則可配戴於胸前記錄日常活動動作（Galan-Mercant et al., 2014）。SHIMMER 系統為多點同步裝置，內建加速度與陀螺儀感測器，進行步態與姿勢分析（Apsega et al., 2020）。BioSensics 系列中的 LEGSys™ 與 BalanceSens™ 內含 IMU模組，可分析靜態與動態平衡能力（Merchant et al., 2024）。ActiGraph GT3X+ 為三軸加速度器，常用於長期活動與靜態行為監測（Vavasour et al., 2021）。

AI 模型應用方面：常見模型包括 LSTM、SVM、XGBoost、深度神經網路（DNN）等，能處理多來源、非線性與時間序列資料，支援智慧診斷平台建置。其中，心率恢復（HRR）與心率變異（HRV）指標，與心肺耐力與慢性發炎狀態高度相關。

根據 Merchant 等人（2024），HRR 每下降 10 bpm，心血管事件風險即上升 13%。其研究亦證實，結合步態與HRR之穿戴式裝置在虛弱分類上表現優異，具備實際臨床應用潛力。

衰弱是老化過程中，身體出現復原能力下降的現象，提早發現衰弱或衰弱前期之早期警訊，可以透過介入活動協助逆轉，可預防持續惡化。穿戴式感測器與 AI 技術的整合，突破傳統限制，能長期追蹤功能變化，強化早期辨識與精準介入。當這些科技進一步融入臨床系統，將提早發現與逆轉衰弱現象納入並重塑高齡照護模式，讓高齡者認識衰弱，積極邁向「主動監測、延緩退化」的新常態。

表一、文獻摘要

文章	研究類型	研究目的	樣本特徵	感測器類型與位置	測量參數	虛弱指標	主要發現
Vavasour et al. (2021)	橫斷式觀察研究	檢視穿戴式裝置在活動與虛弱症評估之應用	共29篇研究，樣本數30–718，平均年齡>60歲，橫斷性觀察研究為主	MTx XSENS（九軸IMU）、ActiTrainer（HR＋肌電模組）、iPhone（三軸感測器），配戴於腰椎、胸口與下肢	步態、活動量、平衡、坐站週期、姿勢轉換等	SPPB、FRAIL、Fried Criteria 等	下肢與腰部感測器可有效辨識虛弱，各種裝置可用於初步篩檢
Velazquez-Diaz et al. (2023)	系統性回顧	探討AI模型在虛弱症識別的效能與應用趨勢	26篇納入研究，69.2%使用機器學習模型，美國、韓國與台灣為主要來源	慣性感測器（IMU），配戴於臨床或非臨床活動監測情境中，感測器類型與位置依研究而異	TUG、步態、PA、肌力等動作訊號與AI分類特徵	Fried、FRAIL、CFS、電子病歷或綜合資料建模	LSTM 與 XGBoost 等模型準確率高達85%，AUC最高可達0.95
Merchant et al. (2024)	準實驗設計	評估單一穿戴裝置測得之步態與HRR對虛弱的預測力	22位年齡平均74.6歲社區長者，41% 強健，46% 前虛弱，14% 虛弱	定製穿戴裝置，配戴於右腳踝，內含加速度計、陀螺儀與PPG心率感測器	步態（節奏、腳趾離地、擺動力量）、活動水平、HRR	FRAIL、SPPB、TUG、FROP-Com	步態分析對功能性虛弱具高度敏感性；HRR可反映非功能性虛弱
Isaradech, N., & Sirikul, W. (2025).	敘述性回顧	比較不同生理參數與感測技術於虛弱預測之成效	共匯整8篇原始研究，參與者年齡多為65歲以上，主要為社區長者	整合 IMU、壓力、肌電與姿態感測器，配戴於腰椎、腿部與上肢	步態速度、平衡指標、姿勢擺盪、肘部活動等	Fried Phenotype (FFP)、CFS 等	多模態感測搭配AI模型能準確辨識虛弱狀態，應用具潛力

參考文獻

作者資訊

	姓名	單位	職稱
1	連偉志	成大醫院復健部	主治醫師
2	楊子宜	成大醫學系	學生
3	蔡美玲	成大醫學院生理所	副教授

瀏覽數:

加到我的最愛

友善列印