A novel approach to tele-rehabilitation: Implementing a biofeedback system using machine learning algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Tele-rehabilitation (Tele-rehab) is changing the landscape of virtual care by redefining assessment and breaking accessibility barriers as a convenient substitute for conventional rehabilitation. The COVID-19 pandemic resulted in a rapid uptake of virtual care. Researchers and health professionals have started developing new tele-rehab platforms, e.g., in the form of video conferencing. Albeit useful, these platforms still require the clinicians’ time and energy. Integrating a biofeedback system that can reliably distinguish between “Correctly Executed” from “Incorrectly Executed” exercises into tele-rehab platforms can help patients to perform rehab exercises correctly, avoid injuries, and enhance recovery. To address this gap, this paper proposes an automated system that uses machine learning to classify correct and incorrect executions of 9 rehabilitation gestures. The model is trained on 24 angle signals extracted from different body sections. The angle signals are obtained in 3D space, and 10 features are extracted from each signal. Six different classifiers, including Random Forest, Multi-Layer Perceptron Artificial Neural Networks, Naïve Bayes, Support Vector Machine, K-Nearest Neighbors, and Logistic Regression, are used, and evaluated with 10-Fold and Leave One Subject Out (LOSO) cross validations. The best classifiers achieved an average accuracy of 89.86% ± 3.38% and F1-Score of 72.84% ± 11.98% for 10-Fold and an average accuracy of 88.21% ± 3.90% and F1-Score of 68.16%±13.28% for LOSO. The proposed system has great potential to be integrated into tele-rehab platforms to help patients perform their exercises reliably. © 2017 Elsevier Inc. All rights reserved.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle