相关实验视频
Updated: Jan 15, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
使用监督机器学习预测老年人跌倒风险:对模型性能进行比较分析
Fatma Kübra Çekok1, Veysel Alcan2
1Department of Physical Therapy and Rehabilitation, Tarsus University, Tarsus, Turkey.
Zeitschrift fur Gerontologie und Geriatrie
|October 15, 2025
概括
机器学习模型准确地预测了老年人的跌倒风险. 部分最小平方区分分析 (PLS-DA) 显示了最高的准确性,证明了这些算法的临床应用潜力.
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:
- 在老年人中,跌倒是严重的健康问题.
- 开发可靠的跌倒风险预测模型对于临床相关性至关重要.
- 本研究研究了机器学习 (ML) 用功能性测量来预测跌倒风险.
研究的目的:
- 评估监督的ML算法在预测跌倒风险方面的性能.
- 将ML模型与后勤回归基准进行比较.
- 确定老年人中跌倒的关键功能预测因素.
主要方法:
- 分析了94名老年人的数据,对他们的身体功能和平衡进行了全面的评估.
- 实施并比较了四种ML模型:PLS-DA,LDA,SVM和k-NN.
- 使用交叉验证评估模型性能,灵敏度,特异性,精度,准确性和AUC.
主要成果:
- 所有的ML模型都显示了对跌倒风险的强烈歧视力.
- PLS-DA实现了最高的性能指标 (灵敏度,特异性,精度,准确性,AUC).
- 后勤回归确定了关键预测因素,如6分钟步行测试 (6MWT),30秒椅子站测试 (30CST) 和伯格平衡量 (BBS).
结论:
- 监督的ML模型,特别是PLS-DA,有效地预测老年人的跌倒风险.
- 机器学习模型通过整合功能措施的多维模式来改善分类.
- 研究结果对秋季的历史进行了分类;对于明确的未来秋季预测,需要进一步的研究.
