Reconstruction of body motion during self-reported losses of balance in community-dwelling older adults
Notice bibliographique
Résumé
Older adults experience slips, trips, stumbles, and other losses of balance (LOBs). LOBs are more common than falls and are closely linked to falls and fall-injuries. Data about real-world LOBs is limited, particularly information quantifying the prevalence, frequency, and intrinsic and extrinsic circumstances in which they occur. This paper describes a new method to identify and analyze LOBs through long-term recording of community-dwelling older adults. The approach uses wearable inertial measurement units (IMUs) on the feet, trunk and one wrist, together with a voice recorder for immediate, time-stamped self-reporting of the type, context and description of LOBs. Following identification of an LOB in the voice recording, concurrent IMU data is used to estimate foot paths and body motions, and to create body animations to analyze the event. In this pilot study, three older adults performed a long-term monitoring study, with four weeks recording LOBs by voice and two concurrent weeks wearing IMUs. This report presents a series of LOB cases to illustrate the proposed method, and how it can contribute to interpretation of the causes and contexts of the LOBs. The context and timing information from the voice records was critical to the process of finding and analyzing LOB events within the voluminous sensor data record, and included much greater detail, specificity, and nuance than past diary or smartphone reporting.
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 | 0,001 |
| 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 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 ».