Gait Pattern Analysis for Early Detection of Neuromuscular Disorders Using Wearable Sensors and Artificial Intelligence Techniques
Notice bibliographique
Résumé
In this work, a gait-based approach for early detection of cerebellar ataxia is introduced using deep learning and gait data collected from an array of wearable knock sensors mounted on the legs.The dataset was collected from the Kaggle Gait Analysis Dataset for cerebellar ataxia and pre-processed by z-score normalization and segmented into 128 samples with 50% overlap.A customized Convolutional Neural Network (CNN) model was designed and trained on these segments to classify gait patterns as normal and ataxic.The training mechanism indicated that the accuracy quickly grew to 95%, close to 100% at the end of the training.However, the trained CNN provided only a moderate accuracy of 40%, with a precision of 0.57 and a recall of 0.31 for normal gait and a precision of 0.31 and a recall of 0.57 for ataxic gait, thus resulting in F1-scores of 0.4 for both classes on unseen test data.The confusion matrix reflected an imbalance of ergonomics towards overprediction of ataxia by a nine-over-thirteen number of normal 'samples' misclassified.Whereas the model provides high confidence prediction scores (81%-99%) even for misclassifications, this indicates a model prone to overfitting and lacking generalizability.These findings underscore the promise and challenges of AI-augmented gait diagnostics, with model calibration, dataset balancing, and feature refinement indicated to improve sensitivity and specificity for clinical utility.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».