超越评估:根据步行参数估计的累积变化,在老年人中预测跌倒风险模型

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:

• 跌倒对老年人来说是一个主要的健康问题,导致失去独立性和增加死亡率.
• 早期发现跌倒风险使医疗保健提供者和护理人员能够及时介入.
• 步行参数,就像步行速度一样,是指向跌倒风险的重要迹象.

研究的目的:

• 评估监督分类模型,以估计老年人中跌倒风险.
• 评估3D深度传感器数据对实时步态参数估计的有效性.
• 为了确定在跌倒前几天累积的步态变化预测的准确性.

主要方法:

• 利用监督分类技术,包括后勤回归,支向量机器和基于树的模型.
• 采用3D深度传感器来捕捉参与者的家中的步态参数.
• 由于跌伤的关键性质,重点关注召回作为主要指标.

主要成果:

• 多变量逻辑回归,支向量和基于树的模型在跌倒前的14天内,分别提高了18.80%,31.78%和33.94%的跌倒风险评估.
• 随机森林和XGBoost模型的回忆和精度得分为0.805.
• 这些先进模型的性能优于最好的单变量回归模型 (Y-) 的回忆率为0.639,精度为0.527.

结论:

• 来自3D深度传感器的步态参数的监督分类有效地估计了老年人的跌倒风险.
• 机器学习模型显著提高了在事件发生前的关键14天窗口中跌倒的预测准确性.
• 这项技术为家庭环境中的积极防摔策略提供了一个有前途的途径.