Wearable Sensor Systems for Fall Risk Assessment: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fall risk assessment and fall detection are crucial for the prevention of adverse and long-term health outcomes. Wearable sensor systems have been used to assess fall risk and detect falls while providing additional meaningful information regarding gait characteristics. Commonly used wearable systems for this purpose are inertial measurement units (IMUs), which acquire data from accelerometers and gyroscopes. IMUs can be placed at various locations on the body to acquire motion data that can be further analyzed and interpreted. Insole-based devices are wearable systems that were also developed for fall risk assessment and fall detection. Insole-based systems are placed beneath the sole of the foot and typically obtain plantar pressure distribution data. Fall-related parameters have been investigated using inertial sensor-based and insole-based devices include, but are not limited to, center of pressure trajectory, postural stability, plantar pressure distribution and gait characteristics such as cadence, step length, single/double support ratio and stance/swing phase duration. The acquired data from inertial and insole-based systems can undergo various analysis techniques to provide meaningful information regarding an individual's fall risk or fall status. By assessing the merits and limitations of existing systems, future wearable sensors can be improved to allow for more accurate and convenient fall risk assessment. This article reviews inertial sensor-based and insole-based wearable devices that were developed for applications related to falls. This review identifies key points including spatiotemporal parameters, biomechanical gait parameters, physical activities and data analysis methods pertaining to recently developed systems, current challenges, and future perspectives.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle