MétaCan
Menu
Retour à la cohorte
Enregistrement W2801877906 · doi:10.1016/j.medengphy.2018.04.008

Detection of daily postures and walking modalities using a single chest-mounted tri-axial accelerometer

2018· article· en· W2801877906 sur OpenAlexafffund
Milad Nazarahari, Hossein Rouhani

Notice bibliographique

RevueMedical Engineering & Physics · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueContext-Aware Activity Recognition Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Alberta
Mots-clésAccelerometerSittingModalitiesComputer scienceTrunkSensitivity (control systems)Artificial intelligenceComputer visionPhysical medicine and rehabilitationSimulationMedicineEngineering

Résumé

récupéré en direct d'OpenAlex

This study presents a novel method for the detection and classification of a wide range of physical activities, including standing, sitting, lying, level walking, and walking upstairs and downstairs using a single chest-mounted accelerometer. The trunk inclination angle and variation of the gravitational component of the accelerometer recording were used for detection and classification of postural transitions and walking modalities. In addition, biomechanical features of each transition were used to reject false detections. To validate the accuracy of the presented method, two studies were performed, first in the (1) laboratory environment, where a motion capture system was the reference system (ten healthy subjects), and second (2) in the free-living environment where a handheld camera was the reference system (ten healthy subjects). The first study showed that the proposed method obtained higher accuracy, sensitivity, and specificity in detection of postural transitions and walking modalities compared to other methods in the literature when implemented on the same dataset. The second study obtained (1) the sensitivity and specificity of 100% for detection of sit-to-lie, lie-to-sit, and stand-to-sit, and 100% and 97%, respectively, for detection of sit-to-stand, and (2) the accuracy of 99%, 99%, and 95% for detection of slow, normal, and fast level walking, and 97% and 96% for detection of walking upstairs and downstairs. The proposed method enabled detection and classification of postural transitions and walking modalities with high sensitivity and specificity using only one chest-mounted accelerometer. This approach can be used for convenient and reliable assessment of physical activities in long-term.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,250
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical Engineering & PhysicsMême sujetContext-Aware Activity Recognition SystemsTravaux en français237 207