Ocena ryzyka upadku przy użyciu hybrydowego uczenia maszynowego i uczenia głębokiego oraz nowatorskiej posturografii

Celem tego projektu jest połączenie nowatorskiej postugrpahy opartej na trackerach HTC VIVE oraz hybrydowych algorytmach uczenia maszynowego i głębokiego uczenia się w celu stworzenia zestawu prostego, wygodnego i ważnego narzędzia do oceny ryzyka upadków. To obserwacyjne i uzupełniające badanie obejmie osoby starsze w wieku powyżej 60 lat. Badacze zbiorą dane demograficzne, ankiety, tradycyjne testy równowagi (skala Berg Balance, Timed-up-and-go, 30s-sit-to-stand, czterostopniowe testy równowagi) oraz posturografię opartą na trackerze, aby uzyskać tułów parametry stabilności w różnych zadaniach stojących. Ryzyko upadku zostanie sklasyfikowane na podstawie zgłoszonych przez siebie upadków w ciągu ostatniego roku i zweryfikowane podczas 6-miesięcznej obserwacji.

Badacze ocenią wydajność różnych hybrydowych algorytmów uczenia maszynowego i głębokiego uczenia się, aby wyodrębnić ważne cechy wielu parametrów posturograficznych i wybrać optymalny model. Badacze wykorzystają analizę krzywej charakterystyki działania odbiornika do obliczenia czułości, specyficzności i dokładności różnych algorytmów klasyfikacji ryzyka, a także porównają wydajność z tradycyjnymi narzędziami oceny równowagi. Badacze ocenią korelację tych cech posturograficznych z danymi uzyskanymi innymi metodami. Przeanalizowane zostaną również czynniki ryzyka wcześniejszych i przyszłych spadków.