Use of a Low-Cost, Chest-Mounted Accelerometer to Evaluate Transfer Skills of Wheelchair Users During Everyday Activities: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Transfers are an important skill for many wheelchair users (WU). However, they have also been related to the risk of falling or developing upper limb injuries. Transfer abilities are usually evaluated in clinical settings or biomechanics laboratories, and these methods of assessment are poorly suited to evaluation in real and unconstrained world settings where transfers take place. OBJECTIVE: The objective of this paper is to test the feasibility of a system based on a wearable low-cost sensor to monitor transfer skills in real-world settings. METHODS: We collected data from 9 WU wearing triaxial accelerometer on their chest while performing transfers to and from car seats and home furniture. We then extracted significant features from accelerometer data based on biomechanical considerations and previous relevant literature and used machine learning algorithms to evaluate the performance of wheelchair transfers and detect their occurrence from a continuous time series of data. RESULTS: Results show a good predictive accuracy of support vector machine classifiers when determining the use of head-hip relationship (75.9%) and smoothness of landing (79.6%) when the starting and ending of the transfer are known. Automatic transfer detection reaches performances that are similar to state of the art in this context (multinomial logistic regression accuracy 87.8%). However, we achieve these results using only a single sensor and collecting data in a more ecological manner. CONCLUSIONS: The use of a single chest-placed accelerometer shows good predictive accuracy for algorithms applied independently to both transfer evaluation and monitoring. This points to the opportunity for designing ubiquitous-technology based personalized skill development interventions for WU. However, monitoring transfers still require the use of external inputs or extra sensors to identify the start and end of the transfer, which is needed to perform an accurate evaluation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».