走路时滑倒后果的自动分类使用机器学习方法

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 步态分析 步态分析

背景情况:

• 在行走时分类滑倒结果对于了解跌倒预防至关重要.
• 现有的分类滑动类型的方法在准确性和值定义方面存在局限性.

研究的目的:

• 应用决策树 (DT) 机器学习模型来分类行走滑落结果.
• 为不同的滑动类型 (无滑动,滑动恢复,滑落) 改进切断值.
• 将DT模型的准确性与现有的分类值进行比较.

主要方法:

• 在516次行走试验中,从50名成年人收集了脚跟运动数据.
• 训练了两个DT模型:DT1 (滑行距离,速度) 和DT2 (距离,速度,加速).
• 使用视觉分类的滑动结果 (无滑动,滑动恢复,滑落) 作为训练标签.

主要成果:

• 两种DT模型都产生了不同的滑动结果分类值.
• DT模型显示总体预测准确度比以前的值高4.1%7.6%.
• 一般来说,DT2的表现优于DT1,尽管对无滑动结果的敏感性降低了.

结论:

• DT机器学习模型在分类行走滑落结果方面提供了更高的准确性.
• 来自DT2模型的精细值被推用于未来的步态滑动反应研究.
• 虽然DT模型提高了准确性,但它们的复杂性和对灵敏度的影响需要考虑.