MétaCan
Menu
Retour à la cohorte
Enregistrement W4313574328 · doi:10.3390/s23010071

Hallway Gait Monitoring System Using an In-Package Integrated Dielectric Lens Paired with a mm-Wave Radar

2022· article· en· W4313574328 sur OpenAlexaff
Hajar Abedi, Jennifer Boger, Plinio Pelegrini Morita, Alexander Wong, George Shaker

Notice bibliographique

RevueSensors · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced SAR Imaging Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésGaitRadarComputer scienceReal-time computingGait analysisSimulationEngineeringArtificial intelligenceTelecommunicationsPhysical medicine and rehabilitation

Résumé

récupéré en direct d'OpenAlex

This paper presents a novel hallway gait extraction system that enables an individual's spatiotemporal gait parameter extraction at each gait cycle using a single FMCW (Frequency Modulated Continuous Wave) radar. The purpose of the proposed system is to detect changes in gait that may be the signs of changes in mobility, cognition, and frailty, particularly for older adults in retirement homes. We believe that one of the straightforward applications for gait monitoring using radars is in corridors and hallways, which are commonly available in most retirement and long-term care homes. To achieve in-corridor coverage, we designed an in-package hyperbola-based lens antenna integrated with a radar module package empowered by our fast and easy-to-implement gait extraction method. We validated system functionality by capturing spatiotemporal gait values (e.g., speed, step points, step time, step length, and step count) of people walking in a hallway. The results achieved in this work pave the way to explore the use of stand-alone radar-based sensors in long hallways in retirement apartment buildings or individual's homes for use in day-to-day long-term monitoring of gait parameters of older adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,231
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetAdvanced SAR Imaging TechniquesTravaux en français237 207