Classification of Autism and Control Gait in Children Using Multisegment Foot Kinematic Features
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
Previous research has demonstrated that children with autism walk with atypical ankle kinematics and kinetics. Although these studies have utilized single-segment foot (SSF) data, multisegment foot (MSF) kinematics can provide further information on foot mechanics. Machine learning (ML) tools allow the combination of MSF kinematic features for classifying autism gait patterns. In this study, multiple ML models are investigated, and the most contributing features are determined. This study involved 19 children with autism and 21 age-matched controls performing walking trials. A 34-marker system and a 12-camera motion capture system were used to compute SSF and MSF angles during walking. Features extracted from these foot angles and their combinations were used to develop support vector machine (SVM) models. Additional techniques-S Hapley Additive exPlanations (SHAP) and the Shapley Additive Global importancE (SAGE) are used for local and global importance of the black-box ML models. The results suggest that models based on combinations of MSF kinematic features classify autism patterns with an accuracy of 96.3%, which is higher than using SSF kinematic features (83.8%). The relative angle between the metatarsal and midfoot segments had the highest contribution to the classification of autism gait patterns. The study demonstrated that kinematic features from MSF angles, supported by ML models, can provide an accurate and interpretable classification of autism and control patterns in children.
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