The Effect of Personalization on Smartphone-Based Fall Detectors.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Düşme riski, yaşlı insanlar, Parkinson hastalığı olan bireyler veya nöro-rehabilitasyon ünitelerindeki hastalar gibi farklı insan grupları arasında yüksektir. Sağlam düşme dedektörleri geliştirmek, düşme durumunda derhal hareket etmek için önemlidir. Bu nedenle, bu çalışmada, kişiselleştirilmemiş bir sisteme kıyasla performanslarını artırmak için akıllı telefon tabanlı dedektörleri kişiselleştirmeyi teklif ediyoruz. Kamuya açık bir veri kümesi kullanılarak dört algoritma araştırıldı: En Yakın Komşu (NN), Yerel Outlier Faktörü (LOF) ve Tek Sınıf Destek Vektör Makinesi (OneClass-SVM) olmak üzere üç yenilik tespit algoritması ve geleneksel denetimli bir algoritma olan Destek Vektör Makinesi (SVM). Kişiselleştirmenin etkisi, her bir konu için iki farklı eğitim koşulu göz önünde bulundurularak incelendi: sadece o konudan gelen veriler veya kalan konulardan gelen veriler. Alıcının çalışma karakteristik eğrisinin (AUC) altındaki alan, birincil liyakat figürü olarak seçildi. Sonuçlar, dedektörü kişiselleştirerek performans artışına doğru genel bir eğilim olduğunu göstermektedir, ancak etki, dikkate alınan kişiye bağlıdır. Kişiselleştirilmiş bir NN, kişiselleştirilmemiş bir SVM'nin (sırasıyla 0.9861 ve 0.9795 ortalama AUC) performansına ulaşabilir, bu da NN sadece eğitim için günlük yaşam aktivitelerini kullandığı için dikkat çekicidir.

Özgün kaynak özetini okuyun

The risk of falling is high among different groups of people, such as older people, individuals with Parkinson's disease or patients in neuro-rehabilitation units. Developing robust fall detectors is important for acting promptly in case of a fall. Therefore, in this study we propose to personalize smartphone-based detectors to boost their performance as compared to a non-personalized system. Four algorithms were investigated using a public dataset: three novelty detection algorithms--Nearest Neighbor (NN), Local Outlier Factor (LOF) and One-Class Support Vector Machine (OneClass-SVM)--and a traditional supervised algorithm, Support Vector Machine (SVM). The effect of personalization was studied for each subject by considering two different training conditions: data coming only from that subject or data coming from the remaining subjects. The area under the receiver operating characteristic curve (AUC) was selected as the primary figure of merit. The results show that there is a general trend towards the increase in performance by personalizing the detector, but the effect depends on the individual being considered. A personalized NN can reach the performance of a non-personalized SVM (average AUC of 0.9861 and 0.9795, respectively), which is remarkable since NN only uses activities of daily living for training.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.