Enhanced Detection and Segmentation of Sit Phases in Patients with Parkinson’s Disease Using a Single SmartWatch and Random Forest Algorithms
Notice bibliographique
Résumé
Background. Automatic detection of Sit phases in people with Parkinson’s disease (PD) using a single body-worn sensor is crucial for enhancing long-term, home-based monitoring of mobility. Aim. The aim of this study was to enhance the accuracy of detecting and segmenting Sit phases in people with PD using a single SmartWatch worn at the ankle. Method. Twenty-two patients living with PD performed activities of daily living that incorporate repeated transitions to a seated position in a simulated free-living environment during 3 min, 4 min, and 5 min trials. Tri-axial accelerations and angular velocities of the right or left ankle were recorded at 50 Hz using a SmartWatch. Random forest algorithms were trained using raw and filtered data to automatically detect and segment Sit phases. Sensibility, specificity, and F-scores were calculated based on manual segmentation using the OptiTrack motion capture system. Results. Sensibility, specificity, and F-score achieved 78.3%, 93.8%, and 84.7% for Sit phase detection of the 3 min trial; 78.8%, 85.5%, and 80.6% for Sit phase detection of the 4 min trial; and 71.6%, 84.8%, and 75.6% for Sit phase detection of the 5 min trial. The median time difference between the manual and automatic segmentation was 0.95s, 0.89s, and 0.84s, respectively, for the 3 min, 4 min, and 5 min trial. Conclusion. This study demonstrates that a random forest algorithm can accurately detect and segment Sit phases in people with PD using data from a single ankle-worn SmartWatch. The algorithm’s performance was comparable to manual segmentation, while substantially reducing the time and effort required. These findings represent a meaningful step forward in enabling efficient, long-term, and home-based monitoring of mobility and symptom progression in people with PD.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».