Shoulder Physiotherapy Activity Recognition 9-Axis Dataset
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
**Dataset will be uploaded soon - dataset is complete but uploader is currently freezing midway through status bar**This dataset contains inertial data consisting of 1) physiotherapy exercise recordings, and 2) unlabeled other activity data recordings, each collected by smart watches worn by healthy subjects. This dataset may be used to perform supervised classification analysis of physiotherapy exercises, or to perform out-of-distribution detection analysis with the unlabeled other activity data.It consists of 9-axis inertial sensor data (accelerometer, gyroscope, and magnetometer) collected using a Huawei Watch 2 from 20 healthy subjects (40 shoulders), as they perform 10 shoulder physiotherapy exercises. This dataset also includes ~3 hours of unlabeled other activity data for each patient that can be used to simulate out-of-distribution data (label 11).Dataset is labeled as follows:0: None1: External Rotation (Isometric)2: Scapula Retraction at 90 Degrees Flexion3: Internal Rotation (Isometric)4: Extension (Isometric)5: Abduction (Isometric)6: External Rotation at 0 Degrees Flexion7: Cross Chest Adduction8: Active Flexion9: Shoulder Girdle Stabilization with Elevation10: Triceps Pull Downs11: OODThe subjects repeat each activity 20 times on each side (left and right). Isometric exercises are low-motion stability exercises.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,167 |
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