The Use of Empirical Mode Decomposition-Based Algorithm and Inertial Measurement Units to Auto-Detect Daily Living Activities of Healthy 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
he use of inertial measurement units (IMUs) in motion analysis for clinical purpose is relatively recent. However, the use of such system in free environment remains sparse. This is in part due the lack of robust algorithms to handle large volumes of data for performance evaluation and patient diagnosis. The present work examines the ability of using Empirical Mode Decomposition and discrete-time detection of events to automatically detect and segment tasks associated with activities of daily living (ADL) using IMUs. Seven healthy older adults (73± 4 years old) performed ADL tasks in a simulated apartment during trials of different durations (3, 4, and 5-min). They wore a suit (Synertial-IGS180) comprised of 17-IMUs positioned strategically on body segments to capture full body motion. After a systematic process examining time series of each sensor, it was determined that 6-IMUs were sufficient to detect the 9 tasks at hand (such as walking, sit to stand, stand to sit, reaching to the ground to pick or to put down objects on the floor, step an obstacle and turning). The proposed method automatically identified the proper set of template waveforms associated to ADL tasks based on kinematic data acquired from the selected IMUs. The ground truth on timing of tasks was established by visual segmentation of recordings using the system's software. Despite the variation in the occurrences of the performed tasks (freely moving), the proposed algorithm exhibited high global accuracy under unscripted conditions of motion, for both Se. and Sp. of 97% (Nevents=1999), using a few features and without learning process. This work will eventually allow for the assessment of mobility performance within the segmented signals; specifically how well the person is moving in his/her environment.
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 | 0,000 | 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