Automatically Segmenting Physical Performance Test Items for Older Adults Using a Doppler Radar: A Proof of Concept Study
Notice bibliographique
Résumé
Assessing the performance of physical activities through the modified physical performance test (mPPT) is a known approach for predicting the frailty level in older adults. This study proposes a system comprising of a continuous-wave (CW) radar for data acquisition and deep neural network (DNN) models (convolutional neural network (CNN) and convolutional recurrent neural network (CRNN)) as classifiers to automatically segment the mPPT items. These two DNN models were trained and evaluated in a leave-one- participant-out (LOPO) cross-validation procedure with a transfer learning method. To segment the mPPT items during recording by the radar, an additional flag activity was employed, which involves having the volunteer wave their hands at the start of each activity. Compared to the CNN, the CRNN achieved better classification performance, with the f1-score ranging from 0.3445 (lifting a book) to 0.9509 (standing balance). The recognition result was then used to segment the time series data and predict each item’s duration. The average absolute duration prediction error ranged from 0.78 s (standing balance) to 2.78 s (climbing stairs). The result implied that the system has the potential to segment mPPT items automatically. Future works will be focused on accomplish all the evaluation criteria automatically, e.g., the steadiness and continuity of steps while turning 360°, and improve the low classification result of some mPPT items like lifting a book.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».