Characterization of Knee and Gait Features From a Wearable Tele-Health Monitoring System
Notice bibliographique
Résumé
Mobility is crucial for healthy aging. Any disruption to mobility can affect mental, physical and social health, and socio-economic independence. Therefore, studies in gait and lower-joint functionality with respect to different demographic features will play a vital role in maintaining good mobility. In this study, we analyzed a gait database from 70 healthy subjects (18–86 years) constructed using our custom-built multi-sensor-based wearable tele-health monitoring system. The purpose was to extract and use the most informative features for classifying knee joint and gait characteristics of the subjects with respect to their age, body mass index – BMI, and sex. Four supervised machine learning algorithms: partial least square-discriminant analysis (PLS-DA), support vector machine (SVM), random forest (RF), and artificial neural network (ANN) were used to classify the subjects. The features that significantly contributed to all classifications are knee angle, quadriceps muscle pressure adjacent to the knee joint, rotational energy (mediolateral and vertical), acceleration energy (mediolateral), cross-sample entropy (anteroposterior-mediolateral), knee angle variability, symmetry of swing and stance phase, and walk ratio. Classification accuracies of all four methods were ~89%, 83%, 81%, 86% for age, 90%, 80%, 83%, 86% for BMI, and 97%, 97%, 96%, 97% for sex, respectively. PLS-DA had the best classification performance for all three categories which makes it preferable for these kinds of analyses. Thus, our knee and gait monitoring system coupled with an efficient machine learning tool can be exploited for real-time evaluation and early diagnoses of mobility disabilities, health assessment, and monitoring the need for interventions.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».