Heart Rate Variability-Based Stress Detection and Fall Risk Monitoring During Daily Activities: A Machine Learning Approach
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
Impaired balance and mental stress are significant health concerns, particularly among older adults. This study investigated the relationship between the heart rate variability and fall risk during daily activities among individuals over 40 years old. This aimed to explore the potential of the heart rate variability as an indicator of stress and balance loss. Data were collected from 14 healthy participants who wore a Polar H10 heart rate monitor and performed Berg Balance Scale activities as part of an assessment of functional balance. Machine learning techniques applied to the collected data included two phases: unsupervised clustering and supervised classification. K-means clustering identified three distinct physiological states based on HRV features, such as the high-frequency band power and the root mean square of successive differences between normal heartbeats, suggesting patterns that may reflect stress levels. In the second phase, integrating the cluster labels obtained from the first phase together with HRV features into machine learning models for fall risk classification, we found that Gradient Boosting performed the best, achieving an accuracy of 95.45%, a precision of 93.10% and a recall of 85.71%. This study demonstrates the feasibility of using the heart rate variability and machine learning to monitor physiological responses associated with stress and fall risks. By highlighting this potential biomarker of autonomic health, the findings contribute to developing real-time monitoring systems that could support fall prevention efforts in everyday settings for older adults.
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 | 0,000 | 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 | 0,001 |
| 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