Analysis of Walking Trajectories and Physical Fitness Using Machine Learning To Identify Mild Cognitive Impairment
Notice bibliographique
Résumé
With the aging of the global population, the proportion of patients with dementia has increased. The current method for diagnosing and evaluating mild cognitive impairment (MCI) involves an assessment and blood examinations. Clinically, a question-and-answer test between psychologists and patients is used as the basis for diagnosing MCI. However, this method is subjective. Research results have indicated that patients’ gait or posture balance can be used as an index for the early diagnosis of MCI. Therefore, we tested the gait behavior and physical fitness of 66 people aged over 65 years. The average age of the participants in this study was 73.2 ± 5.66 years. Of these participants, 33 had MCI, and 33 did not. The characteristic parameters of the participants’ walking trajectories were captured using a self-developed system by using image analysis to track and record the coordinates of a patient’s trajectory. The trajectory parameters of the patient were calculated, then. A total of 28 trajectory parameters were obtained from seven physical fitness tests, and these parameters were screened using the Montreal Cognitive Assessment scale to select the parameters with high discrimination ability for MCI. Moreover, the classification results obtained using multiple machine learning models were analyzed and compared to determine the optimal model for evaluating MCI. The results indicated that the classification accuracy was higher when physical fitness parameters and walking trajectory parameters were used in the adopted models than when only physical fitness parameters were used. In the classification with physical fitness parameters, Extreme Gradient Boosting (XGBoost) and decision tree showed the highest accuracy (84.76%) among the adopted models. The duration of stay of an individual in a straight region and physical fitness parameters had high discrimination ability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».