SAGA: Stability-Aware Gait Analysis in constraint-free environments
Notice bibliographique
Résumé
BACKGROUND: Gait abnormality detection is a challenging task in clinical practice. The majority of the current frameworks for gait abnormality detection involve the individual processes of segmentation, feature estimation, feature learning, and similarity assessment. Since each component of these modules is fixed and they are mutually independent, their performance under difficult circumstances is not ideal. We combine those processes into a single framework, a gait abnormality detection system with an end-to-end network. METHODS: It is made up of convolutional neural networks and Deep-Q-learning methods: one for coordinate estimation and the other for classification. In a single joint learning technique that may be trained together, the two networks are modeled. This method is significantly more efficient for use in real life since it drastically simplifies the conventional step-by-step approach. RESULTS: The proposed model is experimented on MATLAB R2020a. While considering into consideration the stability factor, our proposed model attained an average case accuracy of 95.3%, a sensitivity of 96.4%, and a specificity of 94.1%. SIGNIFICANCE: Our paradigm for quantifying gait analysis using commodity equipment will improve access to quantitative gait analysis in medical facilities and rehabilitation centers while also allowing academics to conduct large-scale investigations for gait-related disorders. Numerous experimental findings demonstrate the effectiveness of the proposed strategy and its ability to provide cutting-edge outcomes.
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 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 | 0,000 | 0,000 |
| 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) | 0,002 | 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 tête enseignante, 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 ».