相关实验视频
Updated: May 16, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
预测老年人跌倒风险:机器学习比较加速度计和非加速度计因素
Ana González-Castro1, José Alberto Benítez-Andrades2, Rubén González-González3
1Nursing and Physical Therapy Department, Universidad de León, Ponferrada, Spain.
Digital health
|March 31, 2025
概括
将运动数据与人口统计和临床信息相结合,显著改善了老年人中跌倒风险的预测. 贝叶斯脊回归证明了最高的准确性,突出显示了多源数据融合在防摔方面的价值.
科学领域:
- 老年学是指老年学的学科.
- 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:
- 准确预测老年人跌倒风险对于预防伤害和提高生活质量至关重要.
- 机器学习模型有可能通过使用各种数据类型来改进跌倒风险评估.
研究的目的:
- 评估各种机器学习模型对老年人跌倒风险的预测性能.
- 评估结合加速度计和非加速度计数据对预测准确性的影响.
- 确定有助于降落风险预测的关键变量.
主要方法:
- 应用了多种机器学习模型,包括随机森林,XGBoost,AdaBoost,LightGBM,支持向量回归 (SVR),决策树和贝叶斯回归.
- 训练模型使用加速度数据 (运动模式) 和非加速度数据 (人口和临床变量).
- 使用平均平方误差 (MSE) 和确定系数 () 评估模型性能.
主要成果:
- 使用加速度计和非加速度计数据组合的模型始终优于单一数据类型模型.
- 贝叶斯山脊回归在组合数据上训练时获得了最高的精度 (MSE = 0.6746, = 0.9941).
- 非加速度因素,如年龄和并发症被确定为对跌倒风险预测作出重大贡献的因素.
结论:
- 整合加速度计和非加速度计数据可以提高老年人跌倒风险预测的准确性.
- 结合数据集的贝叶斯回归显示出比传统模型更强大的预测能力.
- 多源数据融合对于有效的防摔策略至关重要,建议在未来对不同人群进行验证.
