相关实验视频
Updated: May 12, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
多式传感器数据集用于监测老年人后下肢骨折在社区环境下监测下肢骨折
Ali Abedi1,2, Charlene H Chu3,4, Shehroz S Khan3,5
1KITE Research Institute, Toronto Rehabilitation Institute, University Health Network, Toronto, Canada. ali.abedi@uhn.ca.
Scientific data
|May 2, 2025
概括
这项研究引入了MAISON-LLF数据集,使得从下肢骨折 (LLF) 恢复的老年人能够进行远程监测. 机器学习模型现在可以预测社会隔离和功能下降风险在这个脆弱的人群.
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:
- 老年人下肢骨折 (LLF) 会导致运动能力丧失,恢复时间延长,独立性降低.
- 社会隔离和功能衰退是LLF恢复期间的重大挑战,影响身体和心理健康.
- 使用多模式传感器和机器学习的远程监控为早期发现风险提供了潜在的解决方案.
研究的目的:
- 引入MAISON-LLF数据集,这是一个新的,公开可用的资源,用于研究从LLF中康复的老年人.
- 为了使远程监测和预测的社会隔离和功能下降在这个人口.
- 为开发和验证老年人康复中的机器学习算法提供基础数据集.
主要方法:
- 收集了560天的24小时数据,来自10名老年人在家中从LLF中康复.
- 使用多式传感器平台,包括智能手机,智能手表,运动探测器和睡眠跟踪床.
- 综合数据与临床问卷评估社会隔离和功能衰退.
主要成果:
- MAISON-LLF数据集为社区环境中的老年人提供了全面的,持续的监测数据.
- 开发并验证了使用传感器和问卷数据进行技术评估的机器学习算法.
- 建立了未来关于远程监测和LLF恢复风险预测研究的基准.
结论:
- MAISON-LLF数据集是推动研究远程监测下肢骨折的老年患者的宝贵资源.
- 应用于多式联网传感器数据的机器学习可以有效地识别面临社会隔离和功能衰退风险的个人.
- 这项工作支持开发积极的干预措施,以改善康复结果,增强老年人的独立性.
