A novel in-bed body posture monitoring for decubitus ulcer prevention using body pressure distribution mapping
Notice bibliographique
Résumé
BACKGROUND: Decubitus ulcers are prevalent among the aging population due to a gradual decline in their overall health, such as nutrition, mental health, and mobility, resulting in injury to the skin and tissue. The most common technique to prevent these ulcers is through frequent repositioning to redistribute body pressures. Therefore, the main goal of this study is to facilitate the timely repositioning of patients through the use of a pressure mat to identify in-bed postures in various sleep environments. Pressure data were collected from 10 healthy participants lying down on a pressure mat in 19 various in-bed postures, correlating to the supine, prone, right-side, and left-side classes. In addition, pressure data were collected from participants sitting at the edge of the bed as well as an empty bed. Each participant was asked to lie in these 19 postures in three distinct testing environments: a hospital bed, a home bed, and a home bed with a foam mattress topper. To categorize each posture into its respective class, the pre-trained 2D ResNet-18 CNN and the pre-trained Inflated 3D CNN algorithms were trained and validated using image and video pressure mapped data, respectively. RESULTS: The ResNet-18 and Inflated 3D CNN algorithms were validated using leave-one-subject-out (LOSO) and leave-one-environment-out (LOEO) cross-validation techniques. LOSO provided an average accuracy of 92.07% ± 5.72% and 82.22% ± 8.50%, for the ResNet-18 and Inflated 3D CNN algorithms, respectively. Contrastingly, LOEO provided a reduced average accuracy of 85.37% ± 14.38% and 77.79% ± 9.76%, for the ResNet-18 and Inflated 3D CNN algorithms, respectively. CONCLUSION: These pilot results indicate that the proposed algorithms can accurately distinguish between in-bed postures, on unseen participant data as well as unseen mattress environment data. The proposed algorithms can establish the basis of a decubitus ulcer prevention platform that can be applied to various sleeping environments. To the best of our knowledge, the impact of mattress stiffness has not been considered in previous studies regarding in-bed posture monitoring.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».