Conception, fabrication et caractérisation de transistors à effet de champ haute tension en carbure de silicium et de leur diode associée
Notice bibliographique
Résumé
Wearable sensors can provide quantitative, gait-based assessments that can translate to point-of-care environments. This investigation generated elderly fall-risk predictive models based on wearable-sensor-derived gait data and prospective fall occurrence, and identified the optimal sensor type, location, and combination for single and dual-task walking. 75 individuals who reported six month prospective fall occurrence (75.2 ± 6.6 years; 47 non-fallers and 28 fallers) walked 7.62 m under single-task and dual-task conditions while wearing pressure-sensinginsoles and tri-axial accelerometers at the head, pelvis, and left and right shanks. Fall-risk classificationmodels were assessed for all sensor combinations and three model types: neural network, naïve Bayesian, and support vector machine. The best performing model used a neural network, dual-task gait data, and input parameters from head, pelvis, and left shank accelerometers (accuracy = 57%, sensitivity = 43%, and specificity = 65%). The best single-sensor model used a neural network, dual-task gait data, and pelvis accelerometer parameters (accuracy = 54%, sensitivity = 35%, and specificity = 67%). Single-task and dual-task gait assessments provided similar fall-risk model performance. Fall-risk predictive models developed for point-of-care environments should use multi-sensor dual-task gait assessment with the pelvis location considered if assessment is limited to a single sensor.
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 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 | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».