Gyroscope and Accelerometer based Assistive Spoon for Motor Disorder Patients
Notice bibliographique
Résumé
Parkinson's disease is a neurodegenerative disorder that affects motor function, leading to hand tremors during simple tasks such as eating. In this project, it is proposed to create an AI augmented self-stabilizing spoon for Parkinson's patients to help them regain autonomy while eating. The device is fitted with inertial measurement sensors, such as gyroscopes and accelerometers, which sense real time movement of the hand. The sensor data is processed by a machine learning model to distinguish between voluntary hand movements and involuntary tremors. When tremors are identified, the built in micro actuators control the spoon head position to stabilize it and prevent spills while facilitating smoother meal consumption. The proposed research work mainly focused three base classifiers, namely Support Vector Machine (SVM), Random Forest (RF), and 1D Convolutional Neural Network (1D-CNN), The AI system learns users distinct tremor patterns for individualized support. Ergonomically and user friendly in design, the spoon is light, transportable, and can be recharged. It also has the possibility of wireless capability, with data logging and monitoring by carers or health professionals. The final aim is to improve the quality of life for Parkinson's sufferers by enabling autonomy and minimizing frustration at mealtimes. Future enhancements will be aimed at improving the AI model, enhancing battery life, and linking the gadget with mobile health applications for ongoing assistance and monitoring.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».