Shoulder Physiotherapy Activity Recognition 9-Axis Dataset
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,052 |
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 ».