Automated step detection with 6-minute walk test smartphone sensors signals for fall risk classification in lower limb amputees
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
Predictive models for fall risk classification are valuable for early identification and intervention. However, lower limb amputees are often neglected in fall risk research despite having increased fall risk compared to age-matched able-bodied individuals. A random forest model was previously shown to be effective for fall risk classification of lower limb amputees, however manual labelling of foot strikes was required. In this paper, fall risk classification is evaluated using the random forest model, using a recently developed automated foot strike detection approach. 80 participants (27 fallers, 53 non-fallers) with lower limb amputations completed a six-minute walk test (6MWT) with a smartphone at the posterior pelvis. Smartphone signals were collected with The Ottawa Hospital Rehabilitation Centre (TOHRC) Walk Test app. Automated foot strike detection was completed using a novel Long Short-Term Memory (LSTM) approach. Step-based features were calculated using manually labelled or automated foot strikes. Manually labelled foot strikes correctly classified fall risk for 64 of 80 participants (accuracy 80%, sensitivity 55.6%, specificity 92.5%). Automated foot strikes correctly classified 58 of 80 participants (accuracy 72.5%, sensitivity 55.6%, specificity 81.1%). Both approaches had equivalent fall risk classification results, but automated foot strikes had 6 more false positives. This research demonstrates that automated foot strikes from a 6MWT can be used to calculate step-based features for fall risk classification in lower limb amputees. Automated foot strike detection and fall risk classification could be integrated into a smartphone app to provide clinical assessment immediately after a 6MWT.
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 | 0,000 | 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 découle