Virtual Analysis for Spinal Cord Injury Rehabilitation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Spinal cord injuries (SCI) are debilitating conditions affecting individuals worldwide annually, leading to physical, emotional, and cognitive challenges. Effective rehabilitation for SCI patients is crucial for restoring motor function and enhancing their overall quality of life. Advances in technology, including machine learning (ML) and computer vision, offer promising avenues for personalized SCI treatment. Aims This paper aimed to propose an automated and cost-effective system for spinal cord injury (SCI) rehabilitation using machine learning techniques, leveraging data from the Toronto Rehab Pose dataset and Mediapipe for real-time tracking. Objective The objective is to develop a system that predicts rehabilitation outcomes for upper body movements, highlighting the transformative role of ML in personalized SCI treatment and offering tailored strategies for improved outcomes. Methods The proposed system utilized data from the Toronto Rehab Pose dataset and Mediapipe for real-time tracking. Machine learning models, including Support Vector Machines (SVM), Logistic Regression, Naive Bayes, and XGBoost, were employed for outcome prediction. Features such as joint positions, angles, velocities, and accelerations were extracted from movement data to train the models. Results Statistical analysis revealed the ability of the system to accurately classify rehabilitation outcomes, with an average accuracy of 98.5%. XGBoost emerged as the top-performing algorithm, demonstrating superior accuracy and precision scores across all exercises. Conclusion This paper emphasizes the importance of continuous monitoring and adjustment of rehabilitation plans based on real-time progress data, highlighting the dynamic nature of SCI rehabilitation and the need for adaptive treatment strategies. By predicting rehabilitation outcomes with high accuracy, the system enables clinicians to devise targeted interventions, optimizing the efficacy of the rehabilitation process.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle