Amputee Fall Risk Classification Using Machine Learning and Smartphone Sensor Data from 2-Minute and 6-Minute Walk Tests
Notice bibliographique
Résumé
The 6-min walk test (6MWT) is commonly used to assess a person’s physical mobility and aerobic capacity. However, richer knowledge can be extracted from movement assessments using artificial intelligence (AI) models, such as fall risk status. The 2-min walk test (2MWT) is an alternate assessment for people with reduced mobility who cannot complete the full 6MWT, including some people with lower limb amputations; therefore, this research investigated automated foot strike (FS) detection and fall risk classification using data from a 2MWT. A long short-term memory (LSTM) model was used for automated foot strike detection using retrospective data (n = 80) collected with the Ottawa Hospital Rehabilitation Centre (TOHRC) Walk Test app during a 6-min walk test (6MWT). To identify FS, an LSTM was trained on the entire six minutes of data, then re-trained on the first two minutes of data. The validation set for both models was ground truth FS labels from the first two minutes of data. FS identification with the 6-min model had 99.2% accuracy, 91.7% sensitivity, 99.4% specificity, and 82.7% precision. The 2-min model achieved 98.0% accuracy, 65.0% sensitivity, 99.1% specificity, and 68.6% precision. To classify fall risk, a random forest model was trained on step-based features calculated using manually labeled FS and automated FS identified from the first two minutes of data. Automated FS from the first two minutes of data correctly classified fall risk for 61 of 80 (76.3%) participants; however, <50% of participants who fell within the past six months were correctly classified. This research evaluated a novel method for automated foot strike identification in lower limb amputee populations that can be applied to both 6MWT and 2MWT data to calculate stride parameters. Features calculated using automated FS from two minutes of data could not sufficiently classify fall risk in lower limb amputees.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».