Novel use of an activity monitor to model jumping behaviors in cats
Notice bibliographique
Résumé
OBJECTIVE: To develop methods to identify and characterize activity monitor (AM) data signatures for jumps performed by cats. ANIMALS: 13 healthy, client-owned cats without evidence of osteoarthritis or degenerative joint disease. PROCEDURES: Each cat was fitted with the same AM, individually placed in an observation room, then simultaneously recorded by 3 video cameras during the observation period (5 to 8 hours). Each cat was encouraged to jump up (JU), jump down (JD), and jump across (JA) during the observation period. Output from the AM was manually annotated for jumping events, each of which was characterized by functional data analysis yielding relevant coefficients. The coefficients were then used in linear discriminant analysis to differentiate recorded jumps as JUs, JDs, or JAs. To assess the model's ability to distinguish among the 3 jump types, a leave-one-out cross-validation method was used, and the misclassification error rate of the overall categorization of the model was calculated. RESULTS: Of 731 jumping events, 29 were misclassified. Overall, the mean misclassification error rate per cat was 5.4% (range, 0% to 12.5%), conversely indicating a correct classification rate per cat of 94.6%. CONCLUSIONS AND CLINICAL RELEVANCE: Results indicated that the model was successful in correctly identifying JUs, JDs, and JAs in healthy cats. With advancements in AM technology and data processing, there is potential for the model to be applied in clinical settings as a means to obtain objective outcome measures.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».