Fall risk assessment dataset: older-adult participants undergoing the time up and go test
Notice bibliographique
Résumé
This article presents a dataset comprising signal data collected from Inertial Measurement Unit (IMU) sensors during the administration of the Time Up and Go (TUG) test for assessing fall risk in older adults. The dataset is divided into two main sections. The first section contains personal, behavioral, and health-related data from 34 participants. The second section contains signal data from tri-axial acceleration and tri-axial gyroscope sensors embedded in an IMU sensor, which was affixed to the participants' waist area to capture signal data while they walked. The chosen assessment method for fall risk analysis is the TUG test, requiring participants to walk a 3-meter distance back and forth. To prepare the dataset for subsequent analysis, the raw signal data underwent processing to extract only the walking periods during the TUG test. Additionally, a low-pass filter technique was employed to reduce noise interference. This dataset holds the potential for the development of effective models for fall risk detection based on insights garnered from questionnaires administered to specialists who observed the experiments. The dataset also contains anonymized participant information that can be explored to investigate fall risk, along with other health-related conditions or behaviors that could influence the risk of falling. This information is invaluable for devising tailored treatment or rehabilitation plans for individual older adults. The complete dataset is accessible through the Mendeley repository."
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».