Évaluation des risques de chute à l'aide d'approches hybrides d'apprentissage automatique et d'apprentissage en profondeur et d'une nouvelle posturographie

Le but de ce projet est de combiner une nouvelle posturologie basée sur les trackers HTC VIVE et des algorithmes hybrides d'apprentissage automatique et d'apprentissage en profondeur pour établir un ensemble d'outils d'évaluation des risques de chute simples, pratiques et valides. Cette étude observationnelle et de suivi concernera les personnes âgées de la communauté âgées de plus de 60 ans. Les enquêteurs recueilleront des données démographiques, des enquêtes par questionnaire, des tests d'équilibre traditionnels (Berg Balance scale, Timed-up-and-go, 30s-sit-to-stand, quatre-stage balance tests) et une posturographie basée sur un tracker pour obtenir le tronc paramètres de stabilité dans différentes tâches debout. Le risque de chute sera classé en fonction des chutes autodéclarées au cours de la dernière année et vérifié lors d'un suivi de 6 mois.

Les chercheurs évalueront les performances de différents algorithmes hybrides d'apprentissage automatique et d'apprentissage en profondeur pour extraire les caractéristiques importantes de plusieurs paramètres posturographiques et sélectionner un modèle optimal. Les chercheurs utiliseront l'analyse de la courbe caractéristique de fonctionnement du récepteur pour calculer la sensibilité, la spécificité et la précision de différents algorithmes de classification des risques et compareront également les performances avec les outils traditionnels d'évaluation de l'équilibre. Les enquêteurs évalueront la corrélation de ces caractéristiques posturographiques et des données obtenues par d'autres méthodes. Les facteurs de risque des chutes antérieures et des chutes futures seront également analysés.