Artificial Neural Network for in-Bed Posture Classification Using Bed-Sheet Pressure Sensors
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
Pressure ulcer prevention is a vital procedure for patients undergoing long-term hospitalization. A human body lying posture (HBLP) monitoring system is essential to reschedule posture change for patients. Video surveillance, the conventional method of HBLP monitoring, suffers from various limitations, such as subject's privacy, and field-of-view obstruction. We propose an autonomous method for classifying the four state-of-the-art HBLPs in healthy adults subjects: supine, prone, left and right lateral, with no sensors or cables attached on the body and no constraints imposed on the subject. Experiments have been conducted on 12 healthy adults (age 27.35 ± 5.39 years) using a collection of textile pressure sensors embedded in a cover placed under the bed sheet. Histogram of oriented gradients and local binary patterns were extracted and fed to a supervised artificial neural network classification model. The model was trained based on the scaled conjugate gradient backpropagation. A nested cross validation with an exhaustive outer validation loop was performed to validate the classification's generalization performance. A high testing prediction accuracy of 97.9% with a Cohen's Kappa coefficient of 97.2% has been interestingly obtained. Prone and supine postures were successfully separated in the classification, in contrast to the majority of previous similar works. We found that using the information of body weight distribution along with the shape and edges contributes to a better classification performance and the ability to separate supine and prone postures. The results are satisfactorily promising toward unobtrusively monitoring posture for ulcer prevention. The method can be used in sleep studies, post-surgical procedures, or applications requiring HBLP identification.
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 | 0,003 | 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 découle