User-Based Motion Sensing and Fuzzy Logic for Automated Fall Detection in Older Adults
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
More than one third of community-dwelling older adults and up to 60% of nursing home residents fall each year, with 10-15% of fallers sustaining a serious injury. Reliable automated fall detection can increase confidence in people with fear of falling, promote active safe living for older adults, and reduce complications from falls. The performance of a 2-stage fall detection algorithm using impact magnitudes and changes in trunk angles derived from user-based motion sensors was evaluated under laboratory conditions. Ten healthy participants were instrumented on the front and side of the trunk with 3D accelerometers. Participants simulated 9 fall conditions and 6 common activities of daily living. Fall conditions were simulated on a protective mattress. The experimental data set comprised 750 events (45 fall events and 30 nonfall events per participant) that were classified by the fall detection algorithm as either a fall or a nonfall using inputs from 3D accelerometers. Significant differences for impacts recorded, trunk angle changes (p<0.01), and detection performances (p<0.05) were found between fall and nonfall conditions. The proposed algorithm detected fall events during simulated fall conditions with a success rate of 93% and a false-positive rate of 29% during nonfall conditions. Despite a slightly superior identification performance for the accelerometer located on the front of the trunk, no significant differences were found between the two motion sensor locations. Automated detection of fall events based on user-based motion sensing and fuzzy logic shows promising results. Additional rules and optimization of the algorithm will be needed to decrease the false-positive rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle