基于传感器的多面特征提取和集成弹性网方法,用于评估社区老年人的跌倒风险

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:

• 在社区居住的老年人中,准确的跌倒风险识别对于及时干预和减少跌倒事件至关重要.
• 基于传感器的步态和平衡运动分析是评估跌倒风险的有希望的方法.
• 现有的方法往往忽略了诸如复杂性和局部稳定性等非线性信号特征.

研究的目的:

• 开发一个全面的特征提取方案,用于降落风险评估.
• 在多任务场景中调查来自传感器数据的非线性特征的实用性.
• 为降落风险分类提出一个可解释和准确的机器学习模型.

主要方法:

• 从加速仪和陀螺仪数据中提取多方面的特征 (人口统计,统计,非线性,时空,光谱).
• 开发了一个集体弹性网 (E-E-N) 模型,使用引导抽样和加权聚合.
• 在这个背景下,首次从动态系统的角度研究非线性特征.

主要成果:

• 拟议的多面特征提取方案捕获了各种信号特征.
• 整体弹性网 (E-E-N) 方法在跌倒风险分类中表现出优异的预测性能.
• 使用真实世界数据的验证实验证实了该模型的有效性.

结论:

• 开发的方法提供了一个具有成本效益的工具,用于准确评估老年人中跌倒风险.
• 这种方法可以帮助减轻长期持续健康监测的负担.
• 整合非线性特征可以提高跌倒风险预测模型的准确性.