Multi-modal detection of acute fear of falling in older adults: A proof-of-concept study
Notice bibliographique
Résumé
Fear of falling in older adults is generally studied as a chronic condition, yet spikes in acute fear of falling remain underexplored, despite previous research showing that they often precipitate falls. This work introduces a multi-modal sensor-based framework for detecting theoretically defined 'potential fear of falling' by combining gaze elevation and heart rate signals captured from wearable eye tracking and wrist devices in older adults living in the community. We trained five conventional classifiers (logistic regression, KNN, random forest, XGBoost, CatBoost), optimized for minority class F1, and combined two ensembles: (1) random forest + CatBoost + KNN and (2) random forest + logistic regression + KNN. We also applied spectrogram-based transfer learning by fine-tuning the pre-trained VGG16 and ResNet50 models on accelerometer data. In the individual-classifier analysis, XGBoost, KNN, and random forest achieved ROC AUC = 0.99 and minority-class F1 of 0.93, 0.90, and 0.85, respectively. The ensemble models performed better than individual classifiers on multi-modal and accelerometer-only inputs, though overall performance remained modest without multi-modal signals in the latter case (minority-class F1 = 0.39). Transfer models outperformed ensembles. These results demonstrate that ensemble and spectrogram-based transfer learning models provide robust, high-sensitivity detection of potential acute fear of falling in multi-modal signals. This work lays the foundation for future studies to explore acute fear of falling biomarkers in larger cohorts and paves the way for personalized fall prevention interventions in everyday settings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».