Classifying Unstable and Stable Walking Patterns Using Electroencephalography Signals and Machine Learning Algorithms
Notice bibliographique
Résumé
Analyzing unstable gait patterns from Electroencephalography (EEG) signals is vital to develop real-time brain-computer interface (BCI) systems to prevent falls and associated injuries. This study investigates the feasibility of classification algorithms to detect walking instability utilizing EEG signals. A 64-channel Brain Vision EEG system was used to acquire EEG signals from 13 healthy adults. Participants performed walking trials for four different stable and unstable conditions: (i) normal walking, (ii) normal walking with medial-lateral perturbation (MLP), (iii) normal walking with dual-tasking (Stroop), (iv) normal walking with center of mass visual feedback. Digital biomarkers were extracted using wavelet energy and entropies from the EEG signals. Algorithms like the ChronoNet, SVM, Random Forest, gradient boosting and recurrent neural networks (LSTM) could classify with 67 to 82% accuracy. The classification results show that it is possible to accurately classify different gait patterns (from stable to unstable) using EEG-based digital biomarkers. This study develops various machine-learning-based classification models using EEG datasets with potential applications in detecting unsteady gait neural signals and intervening by preventing falls and injuries.
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 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 | 0,001 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».