基于点-直线-平面等级和机器学习的运动模式分析,用于评估社区居住的老年人的跌倒风险

科学领域:

• 老年学是一门学科.
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 布是社区居住的老年人的主要健康问题.
• 准确的跌倒风险分类对于及时干预至关重要.
• 传统的方法往往无法捕捉姿势控制的复杂性.

研究的目的:

• 为了比较不同体段动力学特征的有效性,用于降落风险分类.
• 为了确定可预测跌倒风险的关键动力学变量.
• 评估机器学习模型在降落风险预测中的性能.

主要方法:

• 全身,上肢,下肢和干部运动特征的系统比较.
• 机器学习模型 (XGBoost,随机森林) 的应用用于分类.
• 功能重要性分析以确定关键预测变量.

主要成果:

• 全身和上肢特征在跌倒风险分类中表现出较高的准确性,而不是下肢和干部.
• 选择的关键变量,包括手腕位移和上肢速度,将模型准确度从57%提高到78%.
• 像XGBoost和随机森林这样的机器学习模型的表现优于传统的线性模型 (最大精度为0.61).

结论:

• 上肢运动在保持平衡和预测跌倒风险方面发挥着至关重要的作用.
• 整合多区域移动协调可以提高降落风险预测的准确性.
• 先进的机器学习模型和全面的动力学数据为临床跌倒风险查提供了有希望的工具.