Postural Sway Classification using Bispectrum
Notice bibliographique
Résumé
To reduce mortality and morbidity rates among elderly individuals, continuous monitoring of their postural sway is necessary. This monitoring is implemented through the use of accelerometer sensors, which provide time series signals. The bispectrum, an example of high order spectral (HOS) analysis, is employed to analyze these time series, leveraging the relationship between the various spectral components of the sensor signal for postural sway classifications. From the bispectrum magnitude, features including mean, standard deviation, and entropy are extracted and utilized to train various traditional classifiers. Abstract features are also generated using pre-trained models (MobileNet, Inception, DenseNet, and ResNet) trained with bispectrum magnitude as input and fine-tuned last five layers and the fully connected layers. The classification performance obtained using traditional features and abstract features are presented and compared with two state-of-the-art methods. In addition, the superior performance of the proposed bispectrum is demonstrated by comparing the results of using abstract features from bispectrum magnitude against the abstract features from the traditionally used spectrogram magnitude. The impact of measurement noise on the accelerometer signals on stability classification is also assessed. Under noisy conditions, abstract features extracted from bispectrum magnitude yield the best results compared to state-of-the-art methods and abstract features from spectrogram magnitude. These findings underscore the efficiency of utilizing features derived from the bispectrum for accurate postural sway classifications, even in the presence of significant additive measurement noise.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».