Multi-modal detection of acute fear of falling in older adults: A proof-of-concept study
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
<ns3:p>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.</ns3:p>
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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