Machine learning-based risk of fall estimation using insole with force sensors while performing a sequence of activities in the TUG test
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
Several methods combining biomedical and computer-based approaches have been used to address the risk of falls among the elderly using instrumented insoles. Machine-learning techniques in gait analysis has proven to be a promising solution when using instrumented insoles. However, no study has investigated the risk of falls associated with a sequence of activities. Indeed, it can be observed that an important amount of energy is required by individuals preparing to get out of bed or toilet. The main goal of this work is to detect and associate different risk levels by analyzing the sit-to-start-of-walk (STSOW) sequence. Data were acquired during a Timed Up and Go test using an instrumented insole. The proposed approach compares six types of classifiers to the STSOW sequence signals. Then, a recursive clustering approach based on statistical features and the Kruskal Wallis test was implemented to define different levels of risk. The results show the capacity of the proposed approach to associate different risk levels of falls to an STSOW sequence. The accuracies of the classifiers ranged from 69% to 95.2%, and the best accuracy was achieved using both decision tree and ensemble classifiers. For the sit-to-start of the walk sequence identification phase, the best accuracy was achieved using the support vector machine model.
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 | 0,000 |
| 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) | 0,000 | 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