Validation of an innovative two-part algorithm for detecting self-propulsion in manual wheelchair users
Notice bibliographique
Résumé
Abstract Introduction Actimetry is increasingly used to measure physical activity (PA) for MWC users. However, conversion of raw data into interpretable PA outcomes remains imprecise, and the differentiation between propulsion and non-propulsion is challenging. Using a previously developed two-part algorithm, the objectives of this study were to 1) measure the accuracy of total distance collected, and 2) validate the algorithm’s accuracy in differentiating between self-propulsion and non-propulsion. Methods Experimental study consisting of two data collection sessions. Actimetry data (Actigraph) were collected indoors (controlled conditions) during 100 repetitions (n=40 MWC propulsion, n=60 pushing the MWC) over three distances (10, 50 and 100 meters). Actimetry data (Actigraph) were also collected outdoors (uncontrolled condition) during self-propulsion over 1,000 meters (10 repetitions). Descriptive statistics (e.g., mean, standard deviation) with confidence intervals and accuracy measures (percentage of true value) were conducted for each trial. Results The algorithm measured total distance covered indoors with an excellent accuracy (98.9% to 99.8%). It differentiated between self-propulsion and non-propulsion with an accuracy between 96.2% and 99.2% under controlled condition, and between 91.3% and 100.0% under uncontrolled condition. Conclusions The algorithm tested allowed precise measurement of total distance covered, as well as an excellent discrimination between self-propulsion and non-propulsion.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».