Toward enhanced free-living fall risk assessment: Data mining and deep learning for environment and terrain classification
Notice bibliographique
Résumé
Fall risk assessment can be informed by understanding mobility/gait. Contemporary mobility analysis is being progressed by wearable inertial measurement units (IMU). Typically, IMUs gather temporal mobility-based outcomes (e.g., step time) from labs/clinics or beyond, capturing data for habitually informed fall risk. However, a thorough understanding of free-living IMU-based mobility is currently limited due to a lack of context. For example, although IMU-based length variability can be measured, no absolute clarity exists for factors relating to those variations, which could be due to an intrinsic or an extrinsic environmental factor. For a thorough understanding of habitual-based fall risk assessment through IMU-based mobility outcomes, use of wearable video cameras is suggested. However, investigating video data is laborious i.e., watching and manually labelling environments. Additionally, it raises ethical issues such as privacy. Accordingly, automated artificial intelligence (AI) approaches, that draw upon heterogenous datasets to accurately classify environments, are needed. Here, a novel dataset was created through mining online video and a deep learning-based tool was created via chained convolutional neural networks enabling automated environment (indoor or outdoor) and terrain (e.g., carpet, grass) classification. The dataset contained 146,624 video-based images (environment: 79,251, floor visible: 28,347, terrain: 39,026). Upon training each classifier, the system achieved F1-scores of ≥0.84 when tested on a manually labelled unseen validation dataset (environment: 0.98, floor visible indoor: 0.86, floor visible outdoor: 0.96, terrain indoor: 0.84, terrain outdoor: 0.95). Testing on new data resulted in accuracies from 51 to 100% for isolated networks and 45–90% for complete model. This work is ongoing with the underlying AI being refined for improved classification accuracies to aid automated contextual analysis of mobility/gait and subsequent fall risk. Ongoing work involves primary data capture from within participants free-living environments to bolster dataset heterogeneity.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 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 ».