Measuring functional hand use in children with unilateral cerebral palsy using accelerometry and machine learning
Notice bibliographique
Résumé
Abstract Aim To investigate wearable sensors for measuring functional hand use in children with unilateral cerebral palsy (CP). Method Dual wrist‐worn accelerometry data were collected from three females and seven males with unilateral CP (mean age = 10 years 2 months [SD 3 years]) while performing hand tasks during video‐recorded play sessions. Video observers labelled instances of functional and non‐functional hand use. Machine learning was compared to the conventional activity count approach for identifying unilateral hand movements as functional or non‐functional. Correlation and agreement analyses compared the functional usage metrics derived from each method. Results The best‐performing machine learning approach had high precision and recall when trained on an individual basis (F1 = 0.896 [SD 0.043]). On an individual basis, the best‐performing classifier showed a significant correlation (r = 0.990, p < 0.001) and strong agreement (bias = 0.57%, 95% confidence interval = −4.98 to 6.13) with video observations. When validated in a leave‐one‐subject‐out scenario, performance decreased significantly (F1 = 0.584 [SD 0.076]). The activity count approach failed to detect significant differences in non‐functional or functional hand activity and showed no significant correlation or agreement with the video observations. Interpretation With further development, wearable accelerometry combined with machine learning may enable quantitative monitoring of everyday functional hand use in children with unilateral CP. What this paper adds Wearable (wrist‐worn) accelerometry with machine learning shows potential for measuring functional hand use in children with unilateral cerebral palsy. Traditional activity count accelerometry cannot distinguish functional from non‐functional hand use.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».