Kaatumisriskin arviointi hybridikoneoppimisen ja syväoppimisen lähestymistapojen ja uudenlaisen posturografian avulla

Tämän projektin tarkoituksena on yhdistää uusi posturografia, joka perustuu HTC VIVE -seurantajärjestelmiin ja hybridikoneoppimis- ja syväoppimisalgoritmeihin luodakseen joukon yksinkertaisia, käteviä ja päteviä putoamisriskin arviointityökaluja. Tämä havainnointi- ja seurantatutkimus koskee yli 60-vuotiaita vanhuksia. Tutkijat keräävät demografisia tietoja, kyselytutkimuksia, perinteisiä tasapainotestejä (Berg Balance -asteikko, Timed-up-and-go, 30s-to-seisom-testit, neljän vaiheen tasapainotestit) ja tracker-pohjaisen posturografian vartalon saamiseksi. vakausparametrit erilaisissa seisomatehtävissä. Putoamisriski luokitellaan viimeisen vuoden aikana itse ilmoittamien kaatumisten mukaan ja varmistetaan 6 kuukauden seurannassa.

Tutkijat arvioivat erilaisten hybridikoneoppimis- ja syväoppimisalgoritmien suorituskykyä poimiakseen useiden posturografisten parametrien tärkeät ominaisuudet ja valitakseen optimaalisen mallin. Tutkijat käyttävät vastaanottimen toimintakäyräanalyysiä eri algoritmien herkkyyden, spesifisyyden ja tarkkuuden laskemiseen riskien luokittelua varten sekä vertaavat suorituskykyä perinteisiin tasapainonarviointityökaluihin. Tutkijat arvioivat näiden posturografisten piirteiden ja muilla menetelmillä saatujen tietojen korrelaation. Myös aiempien ja tulevien kaatumisten riskitekijät analysoidaan.