相关实验视频
Updated: May 23, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
步行参数及其变化的影响下降风险评估准确度使用可穿戴传感器
概括
这项研究使用机器学习模型和可穿戴传感器来预测老年人中跌倒风险. 一个人工神经网络使用8分钟步行测试的步态数据实现了0.96的准确性.
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:
- 可穿戴式传感器提供精确的步态数据,用于降落风险评估.
- 步态变异对跌倒风险预测模型的影响尚未完全理解.
研究的目的:
- 评估机器学习模型,以使用步态参数预测脆弱老年人的跌倒风险.
- 用可穿戴传感器来确定最佳的行走测试持续时间,以评估跌倒风险.
主要方法:
- 训练有素的后勤回归,支持向量机 (SVM) 和人工神经网络模型在163名脆弱的老年人的步行数据上.
- 使用脚部安装的惯性测量单元 (IMU) 收集的步态参数和可变性.
- 使用的交叉验证和行走测试时间从1到15分钟.
主要成果:
- 为了预测跌倒风险,最佳步行测试持续时间在6到10分钟之间.
- 人工神经网络模型实现了最高的预测准确度 (0.96),测试时间为8分钟.
- 步行参数及其来自可穿戴传感器的可变性是跌倒风险的有效预测因素.
结论:
- 机器学习模型,特别是人工神经网络,可以使用可穿戴传感器数据准确预测老年人的跌倒风险.
- 步行测试的持续时间在6到10分钟之间,是使用IMU基于步行分析进行跌倒风险评估的最佳时间.
- 这些发现有助于设计使用可穿戴技术的临床跌倒风险评估协议.
