Automated Detection of Multidirectional Compensatory Balance Reactions: A Step Towards Tracking Naturally Occurring Near Falls
Notice bibliographique
Résumé
Falls are the leading cause of fatal and non-fatal injuries among seniors with serious and costly consequences. Laboratory evidence supports the view that impaired ability to execute compensatory balance reactions (CBRs) or near-falls is linked to an increased risk of falling. Therefore, as an alternative to the commonly used fall risk assessment methods examining spatial-temporal parameters of gait, this study focuses on the development of machine learning-based models to detect multidirectional CBRs using wearable inertial measurement units (IMUs). Random forest models were developed based upon the data captured by five wearable IMUs to 1) detect CBRs during normal gait, and 2) identify the type of CBR (eight different classes). A perturbation treadmill (PT) was employed to systematically elicit CBRs (i.e. PT-CBRs) during walking in different directions (e.g slip-like, trip-like, and medio-lateral) and amplitudes (e.g., low-, high-amplitude). We hypothesized that these PT-CBRs could simulate naturally-occurring CBRs (N-CBRs). Proof-of-concept testing in 9 young, healthy adults demonstrated accuracies of 96.60% and 80.64% for the PT-CBR detection and type identification models, respectively. Performance of the detection model was tested against a published dataset (IMUFD) simulating N-CBRs, including the most common types observed in older adults in long-term care facilities, which achieved sensitivity of 100%, but poor specificity. Adding normal gait data from IMUFD for training improved specificity, indicating treadmill walking alone is insufficient exemplar data. Perturbation treadmill combined with overground walking data is a suitable paradigm to collect training datasets of involuntary CBR events. These findings suggest that accurate detection of naturally-occurring CBRs is feasible, and supports further investigation of implementing a wearable sensor system to track naturally-occurring CBRs as a novel means of fall risk assessment.
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 ».