Multivariate Analysis of Joint Motion Data by Kinect: Application to Parkinson’s Disease
Notice bibliographique
Résumé
Analysis of joint motion data (AJMD) by Kinect, such as velocity, has been widely used in many research fields, many of which focused on how one joint moves with another, namely bivariate AJMD. However, these studies might not accurately reflect the motor symptoms in patients. The human body can be divided into six widely accepted parts (head, trunk and four limbs), which are interrelated and interact with each other. Therefore, in this study we attempted to investigate how the major joints of one body part move with the ones in another body part, namely multivariate AJMD. For method illustration, the motion data of sit-to-stand-to-sit for healthy participants and people with Parkinson disease (PD) were employed. Four types of multivariate AJMD were investigated by eigenspace-maximal-information-canonical-correlation-analysis, which obtained maximal- information-eigen-coefficients (MIECes), the parameters for quantifying the correlation between two sets of joints located in two different body parts. The results show that healthy participants have significantly higher MIECes than the PD patients (p-value < 0.0001). Furthermore, the area under the receiver operating characteristic curve value for the classification between healthy participants and PD patients reaches up to 1.00. In conclusion, we demonstrated the possibility of using multivariate AJMD for motion feature extraction, which may be helpful for medical research and engineering.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».