Student Competition (Technology Innovation) ID 1972228
Notice bibliographique
Résumé
Background Upper limb rehabilitation after cervical spinal cord injury is vital for regaining independence. Hand function assessments are critical for upper limb rehabilitation, but are unable to accurately reflect performance in the individual’s home environment. Video from wearable cameras (egocentric video), paired with deep learning, can assess hand function during activities of daily living (ADLs) at home. Previous studies have focused on analyzing quantitative aspects of hand usage, but there has yet to be a study that uses deep neural networks to assess the quality of hand usage from egocentric video. Objective To train a deep neural network to predict hand function assessment scores from egocentric video. Methods The dataset used contained egocentric videos of ADLs performed by 17 participants with AIS grades from A-D in a home simulation laboratory. Tasks were annotated with scores adapted from the Graded Redefined Assessment of Strength Sensibility and Prehension (GRASSP). The annotated video was then used to train and validate a SlowFast neural network to predict GRASSP scores, using leave-one-subject-out cross validation. Model performance was evaluated by mean absolute error, accuracy, and F1 score. The model was optimized with a hyperparameter sweep. Results The top performing model demonstrated a mean absolute error of 0.52±0.19, an accuracy of 0.55±0.14, and F1 score of 0.55±0.16, on an ordinal scale from 1 to 5. Conclusion These results demonstrate that automated assessment of hand function is possible by applying deep learning to egocentric video. Future work should expand the model to larger datasets with more variability.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,875 | 0,765 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».