A Neuro-Fuzzy-Based Sensing Approach for the Classification of Emulated Postural Instability
Notice bibliographique
Résumé
Assistive Technology helps to assess the daily living of frail people and may have a strategic role to detect and prevent falls. In this paper, the task of classifying different classes of postural sway behaviors has been addressed by developing a Neuro-Fuzzy inference approach that is robust against noise. The proposed approach classifies four different postural behaviors namely Stable Standing, Antero-Posterior, Medio-Lateral and Unstable. The strategy exploits data generated by a wearable sensor node, to be positioned on the user chest. A dedicated experimental set-up has been realized to emulate the postural dynamics and generate the dataset. Two novel indices to assess the robustness of the system have been proposed. The first index is a measure of residuals between the predicted and the expected postural status, which equally weights estimations with respect to expected classes. The second metric is a reliability index, which allows for assessing the degree of trust of each estimation performed by the Neuro-Fuzzy inference. Results obtained demonstrate the suitability of the proposed methodology, showing a capability of almost 100% to correctly classify patterns among different allowed classes, with reliability indexes of 97.56% and 98.50% for the training and test patterns, respectively. Also, robustness of the Neuro-Fuzzy classification algorithm against noisy data has been demonstrated.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».