Optimization of Spatial and Temporal Configuration of a Pressure Sensing Array to Predict Posture and Mobility in Lying
Notice bibliographique
Résumé
Commercial pressure monitoring systems have been developed to assess conditions at the interface between mattress/cushions of individuals at risk of developing pressure ulcers. Recently, they have been used as a surrogate for prolonged posture and mobility monitoring. However, these systems typically consist of high-resolution sensing arrays, sampling data at more than 1 Hz. This inevitably results in large volumes of data, much of which may be redundant. Our study aimed at evaluating the optimal number of sensors and acquisition frequency that accurately predict posture and mobility during lying. A continuous pressure monitor (ForeSitePT, Xsensor, Calgary, Canada), with 5664 sensors sampling at 1 Hz, was used to assess the interface pressures of healthy volunteers who performed lying postures on two different mattresses (foam and air designs). These data were down sampled in the spatial and temporal domains. For each configuration, pressure parameters were estimated and the area under the Receiver Operating Characteristic curve (AUC) was used to determine their ability in discriminating postural change events. Convolutional Neural Network (CNN) was employed to predict static postures. There was a non-linear decline in AUC values for both spatial and temporal down sampling. Results showed a reduction of the AUC for acquisition frequencies lower than 0.3 Hz. For some parameters, e.g., pressure gradient, the lower the sensors number the higher the AUC. Posture prediction showed a similar accuracy of 63-71% and 84-87% when compared to the commercial configuration, on the foam and air mattress, respectively. This study revealed that accurate detection of posture and mobility events can be achieved with a relatively low number of sensors and sampling frequency.
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 | 0,001 | 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 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 ».