相关实验视频
Updated: Jul 8, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
使用可穿戴设备的步态特征来对整个使用寿命的跌倒风险进行分类
概括
机器学习准确地使用smartshirt传感器对成年人中跌倒风险进行分类. 这项技术可以帮助识别有风险的个体,改善护理并减少与跌倒相关的伤害.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 跌倒是老年人受伤和死亡的主要原因.
- 早期发现跌倒风险对于及时干预至关重要.
- 可穿戴式传感器为持续健康监测提供了一个有希望的途径.
研究的目的:
- 评估机器学习模型,对整个生命周期的跌倒风险进行分类.
- 评估可穿戴传感器在智能衫中集成的有效性,以检测跌倒风险.
- 为了比较二进制和多类降落风险分类模型的性能.
主要方法:
- 在跑步机上行走时,利用了来自smartshirt传感器的加速计数据.
- 采用二进制 (失败者与非失败者) 和多类 (非失败者,失败者,反复失败者) 的分类模型.
- 实施了k-fold和组k-fold交叉验证策略用于绩效评估.
主要成果:
- 实现了对二进制跌落风险分类的88%准确性.
- 在多类落风险分类中达到86%的准确性.
- 与k-fold交叉验证相比,使用组k-fold时观察到准确度下降22-27%.
结论:
- 机器学习模型可以有效地使用基于smartshirt的可穿戴传感器对跌倒风险进行分类.
- 该研究表明,在不同年龄组中预测跌倒风险的可行性.
- 进一步开发这种评估框架可以导致临床上相关的工具,用于预防老年人跌倒.
