Automated Segmentation of a Timed Up and Go Test Using an Instrumented Cane
Notice bibliographique
Résumé
The Timed Up and Go (TUG) test is used to test a person’s mobility, static and dynamic balance. It measures the time a person takes to stand up from a chair, walk three meters, turn around, walk back to the chair, and sit down. Typically, a TUG test is observed by a physiotherapist with a stopwatch, thus, making the test results prone to error, limited, and difficult to analyse. Consequently, automated approaches capable of assessing the various segments of the TUG test have been widely explored. This study extends upon this body of work by evaluating the feasibility of segmenting the TUG test using an instrumented walking cane. More general contributions are made by introducing the use of error in transition time as opposed to accuracy, and a time-series inspired binary segmentation approach that allows for comparison of only two segments at a time. Data were collected using an instrumented cane from 16 participants with musculoskeletal injuries, with TUG times ranging from 11.12s to 28.57s, and a mean of 17.8s. Results of segmenting the TUG into six segments - Sitting to standing, Walking, Turning, Walking back, Turning back, Standing to sitting - were validated using a leave one trial out approach. SVM and LDA classifiers yielded average total subject dependent errors of 1.915s and 1.898s (the sum of all segment errors), and subject-independent errors of 3.425s and 3.417s, respectively. The performance of measuring the total test time (without sub-segments, as per current clinical practice), an average error of only 0.201s was recorded.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».