Fizinio aktyvumo klasifikacija, naudojant jutiklinės veiklos stebėseną neįgaliųjų vežimėliuose su nugaros smegenų trauma nugaros smegenys

Fizinio aktyvumo klasifikacija, naudojant jutiklinės veiklos stebėseną neįgaliųjų vežimėliuose su nugaros smegenų trauma nugaros smegenys

Anonim

Dalykai

  • Jutikliai ir zondai
  • Nugaros smegenų ligos

Anotacija

Studiju dizainas:

Patvirtinimas.

Tikslai:

Pagrindinis šio tyrimo tikslas buvo sukurti ir įvertinti multisensorinio „SenseWear“ (SW) aktyvumo monitoriaus veiklos klasifikavimo algoritmus, kurie atpažintų su ratukais susijusius veiksmus, kuriuos atlieka rankinio vežimėlio naudotojai (MWU) su stuburo smegenų trauma (SCI). Antrinis tikslas buvo įvertinti, kaip veiklos klasifikavimo tikslumas turi įtakos energijos sąnaudų (EE) įvertinimui MWU su SCI.

Nustatymas:

Universiteto laboratorija.

Metodai:

Keturiasdešimt penki MWU su SCI nešiojo SW ant viršutinės rankos ir dalyvavo poilsio, invalido vežimėlio kėlimo, rankos ergometrijos ir stalo darbo veikloje. Tyrėjai komentavo kiekvieno aktyvumo tyrimo pradžią ir pabaigą, o SW rinko duomenis iš daugelio jutiklių, o nešiojamasis metabolinis krepšelis rinko EE kriterijų. Kuriant keturių veiklų klasifikavimo algoritmus, remiantis 36 asmenų mokymo duomenų rinkiniu, buvo naudojami trys metodai, įskaitant tiesinę diskriminuojančią analizę, kvadratinę diskriminuojančią analizę (QDA) ir „Naive Bayes“ (NB).

Rezultatai:

Klasifikavimo tikslumas buvo 96, 3% QDA ir 94, 8% NB, kai klasifikavimo algoritmai buvo išbandyti su devynių tiriamųjų patvirtinimo duomenų rinkiniu. Vidutinės EE įvertinimo paklaidos naudojant konkrečiai veiklai taikomą EE prognozavimo modelį buvo atitinkamai 5, 3 ± 21, 5% ir 4, 6 ± 22, 8%, kai buvo naudojami QDA ir NB klasifikavimo algoritmai, palyginti su 4, 9 ± 20, 7%, kai buvo manoma, kad klasifikavimo tikslumas 100%.

Išvada:

Didelis klasifikavimo tikslumas ir mažos EE įvertinimo klaidos rodo, kad tyrėjai ir klinikiniai gydytojai gali naudoti SW, kad klasifikuotų ir įvertintų keturių šiame tyrime išbandytų veiklų EE tarp MTU turinčių SCI.

Įvadas

Ambulatorinės populiacijos veiklos klasifikacija naudojant nešiojamus aktyvumo monitorius buvo gerai dokumentuota. 1, 2, 3, 4, 5 Fizinio aktyvumo (PA) aptikimo naudojant nešiojamus prietaisus nauda yra galimybė sekti įprastą PA, tiksliai įvertinti energijos sąnaudas (EE) ir padėti pakeisti elgesį, kuris gali sukelti sveikesnį aktyvų gyvenimo būdą. bendruomenės nustatymuose. 6, 7, 8, 9, 10 Tačiau yra tik ribotas skaičius tyrimų, kuriuose buvo nustatyti ir klasifikuoti PA, kuriuos asmenys, besinaudojantys neįgaliųjų vežimėliais, naudoja nešiojamais prietaisais. 11, 12, 13 Su neįgaliųjų vežimėliais susijusių PA identifikavimas naudojant nešiojamus įtaisus suteikia ne tik visų aukščiau paminėtų privalumų, bet ir svarbios informacijos apie viršutinių galūnių funkcinį naudojimą, svarbų viršutinių galūnių skausmo ir sužalojimo veiksnį, vyraujantį neįgaliųjų vežimėliuose. 14 Klinikinės praktikos gairė „Viršutinių galūnių funkcijos išsaugojimas po stuburo smegenų sužeidimo“, paskelbta Amerikos paralyžiuotų veteranų, nurodė, kad sumažinus viršutinių galūnių naudojimo vežimėliuose dažnumą, atliekant pakartotines užduotis, tokias kaip invalido vežimėlio judėjimas, gali sumažėti rizikos faktorius. dėl pasikartojančių patempimo traumų ir (arba) riešo skausmo. 14

Ankstesni Postma et al tyrimai . 11 parodyta, kad nešiojamas aktyvumo matuoklis, susidedantis iš šešių pagreičio matuoklių ir dviejų elektrokardiogramos elektrodų, sujungtų su nešiojamu duomenų registratoriumi (0, 7 kg), galėjo aptikti neįgaliųjų vežimėlio judėjimą dešimtyje rankinio vežimėlio naudotojų (MWU) su nugaros smegenų pažeidimais (SCI). Rezultatai parodė, kad neįgaliųjų vežimėlio kėlimo epizodai buvo nustatyti atitinkamai 92%, 87% ir 92% specifiškumu, jautrumu ir specifiškumu. Kitame tyrime prancūzai ir kt. 13 parodyta, kad neįgaliųjų vežimėlio kėlimo būdus, paviršiaus tipus ir savaiminį judėjimą, palyginti su išoriniu vežimėlio stūmimu, buvo galima aptikti naudojant du dvigubos ašies pagreičio matuokliu pagrįstus e-laikrodžius, pritvirtintus prie riešo ir invalido vežimėlio rėmo. Trijų be negalių turinčių asmenų rezultatai parodė, kad klasifikavimo tikslumo laipsnis svyravo nuo 80 iki 90%, atsižvelgiant į lankinius, palyginti su lankiniais varikliais, kilimu ir plytelių paviršiumi bei savaiminiu varikliu prieš išorinį stūmimą, naudojant klasifikavimo algoritmus, tokius kaip artimiausias kaimynas ir atrama. vektorinės mašinos. Panašiai, Ding ir kt. 12 ištirta veiklos klasifikacija 27 MWU, atliekant reprezentatyvią kasdienio gyvenimo veiklą pusiau struktūruotoje aplinkoje, atitinkamai naudojant „eWatch“ ir ratų pasukimo duomenų kaupiklį ant riešo ir invalido vežimėlio rato. Rezultatai parodė, kad artimiausias kaimynas, atraminis vektorius, Naive Bayes (NB) ir sprendimų medžio (C4.5) klasifikavimo algoritmai gali suskirstyti veiklą į savaeigę, išorinę stumiamąją ir sėdimąją veiklą 89, 4–91, 9% tikslumu. . Čia aptartų tyrimų metu pagrindinis dėmesys buvo skiriamas varomosios jėgos, palyginti su kita veikla, nustatymui, kai veiklos stebėjimo sistemos susideda iš kelių komponentų.

Pagrindinis šio tyrimo tikslas buvo sukurti ir įvertinti mašininiu mokymu pagrįstus klasifikavimo algoritmus, skirtus aptikti PA, įskaitant poilsį, neįgaliųjų vežimėlio eigą, rankos ergometro pratimus ir stalo darbus, kuriuos MWUs atliko su SCI, remiantis duomenimis, surinktais iš nepriekaištingo multisensorinių duomenų bazių. „sensewear“ (SW) aktyvumo monitorius. Ankstesnis mūsų tyrimas parodė, kad veiklai būdingas EE prognozavimo modelis, susidedantis iš keturių aukščiau paminėtų PA tipų EE įvertinimo lygčių, turėjo mažesnes EE įvertinimo paklaidas nei bendras modelis, kurį sudaro tik viena EE vertinimo lygtis, taikoma visoms veikloms. 15 Todėl, norėdami lauke naudoti tam tikros veiklos rūšių EE numatymo modelį, pirmiausia turime aptikti keturių rūšių PA. Mūsų antrinis tikslas buvo įvertinti, kaip veiklos klasifikavimo tikslumas įtakoja veiklai būdingo EE prognozavimo modelio, skirto MWU su SCI, atlikimą, aprašytą mūsų ankstesniame darbe. 15

medžiagos ir metodai

Eksperimento protokolas

Tyrimą patvirtino Pitsburgo universiteto institucinė apžvalgos taryba ir VA Pitsburgo sveikatos priežiūros sistema. Tikslinė šio tyrimo populiacija buvo MWU su SCI. Dalyviai buvo verbuojami per institucinės peržiūros tarybos patvirtintus registrus, skrajutes ir skelbimus spausdintinėse laikmenose. Patogumų atranka buvo naudojama įdarbinant dalyvius, kurie išreiškė susidomėjimą tyrimu. Paskelbta mažai tyrimų arba jų nėra, kad būtų galima patvirtinti veiklos stebėsenos rodiklius, skirtus įvertinti EE, atsižvelgiant į SCI. Galios analizė, naudojant koreliacinį modelį su α = 0, 05 (dviejų uodegų) ir vidutinio efekto dydžiu ( r = 0, 4) parodė, kad iš viso 40 dalyvių pateiks 74% statistinę galią. Remiantis šiuo vertinimu, šiame tyrime su SCI įdarbinome 45 MWU, kad jie dalyvautų tyrime ir pateiktų rašytinį informuotą sutikimą prieš dalyvaudami tyrime. Tyrimo duomenys buvo renkami nuo 2009 m. Vasario mėn. Iki 2011 m. Gegužės mėn. Dalyviai buvo įtraukti, jei jie buvo nuo 18 iki 60 metų, naudojo rankinį neįgaliųjų vežimėlį kaip pagrindinę judėjimo priemonę, turėjo SCI, buvo bent 6 mėnesius po -žalą ir galėjo naudotis rankos ergometru mankštai atlikti. Dalyviai buvo pašalinti, jei jie negalėjo pakęsti 4 valandų sėdėjimo, turėjo aktyvių dubens ar šlaunų žaizdų arba negavo pirminės sveikatos priežiūros gydytojo sutikimo dalyvauti tyrime. Tyrimo metu dalyviai turėjo vieną kartą apsilankyti Pitsburgo universiteto Žmogaus inžinerijos tyrimų laboratorijose, kad surinktų duomenis. Tyrime dalyvavo visi 45 dalyviai, pateikę rašytinį informuotą sutikimą.

Tyrimo tyrimo protokolas buvo išsamiai aprašytas kitur. 15, 17 Kaip dalis priešmokyklinio užsiėmimo, dalyviai atsakė į demografijos klausimyną ir išmatavo savo ūgį ir svorį. Užsiėmimo metu dalyviai dalyvavo ilsėdamiesi ir dar trijose veiklose, įskaitant važiavimą invalido vežimėlyje, rankos ergometro pratimus ir stalo darbus. Trys veiklos buvo atsvertos, o kiekvienos veiklos tyrimai buvo atsitiktiniu būdu suskirstyti į poveikį tvarkai. Užsiėmimo metu visi dalyviai nešiojo SW aktyvumo monitorių ant dešinės žasto virš tricepso ir nešiojamąjį metabolinį krepšelį „Cosmed K4b2“ (COSMED srl, Roma, Italija). Dalyviai kiekvieną aktyvumo bandymą atliko ne ilgiau kaip 8 min., Tarp pratimų - 5–10 min., O tarp užsiėmimų - 30–40 min. Vykdydami neįgaliųjų vežimėlio judėjimą, dalyviai savo automobilius su ratukais pastūmė dviem bandymais 2 ir 3 mylių per valandą greičiu stacionariu dinamometru ir 3 mylių per valandą greičiu bandymais ant plokščio paviršiaus. Rankos ergometro pratimai apėmė du bandymus esant 60 aps./min. Esant 20 ir 40 W pasipriešinimui ir bandymą esant 90 aps./min. Esant 40 W pasipriešinimui. Stalinio darbo metu tiriamieji 4 minutes spausdino kompiuteriu ir dar 4 minutes skaitė knygą.

Prietaisai ir duomenų rinkimas

SW aktyvumo matuoklis buvo naudojamas norint surinkti vidurkį, vidutinį absoliutų skirtumą (viršutinių galūnių judesio kintamumą) ir smailių skaičių (viršutinių galūnių posūkio taškus) skersiniame ir išilginiame pagreičiuose, paimtuose 32 Hz dažniu ir užfiksuotuose 16 Hz dažniu; ir vidutinis galvaninis odos atsakas (odos laidumas dėl drėgmės ar prakaito), odos temperatūra ir beveik kūno temperatūra, išmatuota 32 Hz dažniu ir užfiksuota per 1 min. Daugia jutiklių duomenys iš SW buvo gauti naudojant „InnerView Research“ programinę įrangą 7.0 („Bodymedia Inc.“, Pitsburgas, PA, JAV). Be to, nešiojamasis K4b2 metabolinis krepšelis buvo sinchronizuotas su SW ir buvo naudojamas EE kriterijui rinkti. EE, išreikšta kcal min- 1, buvo gauta naudojant „Cosmed K4b2“ programinę įrangą (9.0 versija). Surinkdami duomenis tyrėjai padarė anotacijas kiekvieno veiklos tyrimo pradžia ir pabaiga, kuris toliau buvo naudojamas kaip nuoroda kuriant ir tiriant klasifikavimo algoritmus.

Duomenų analizė

Pirmasis veiklos klasifikavimo algoritmo kūrimo žingsnis buvo atskirti duomenis į mokymo duomenų rinkinį ir patvirtinimo duomenų rinkinį. Stratifikuotas požiūris su sužalojimo lygiu (paraplegija prieš tetraplegiją), nes stratifikuotas kintamasis buvo naudojamas 80% dalyvių atrinkti į treniruočių duomenų rinkinį ir 20% į patvirtinimo duomenų rinkinį. Bendras aktyvumo trukmės laikas buvo 1645 min (apie 27, 4 h), įskaitant 1319 min (apie 22, 0 h) treniruočių duomenų rinkinyje ( n = 36) ir 326 min (apie 5, 4 h) įteisinimo duomenų rinkinyje ( n = 9). .

Kitas žingsnis buvo išskirti požymį, kuris yra statistinis matas, naudojamas atskirti keturias veiklos rūšis. Į ypatybių duomenis buvo įtraukta charakteringa informacija, tokia kaip vidurkis, vidutinis absoliutus skirtumas ir smailių skaičius per minutę, kurie buvo tiesiogiai gauti iš įvairių jutiklių SW aktyvumo monitoriuje. Be to, tiesinės ir netiesinės savybės, naudojant multisensorių duomenis iš SW, buvo apskaičiuotos remiantis statistinėmis charakteristikomis, tokiomis kaip laiko srities ypatybės, biomechaniniai ir fiziologiniai ypatumai, būdingi PA. 15 Objekto įvertinimui pasirinkome 1 min. Lango dydį (trukmė arba laikotarpis), kad jis atitiktų EE vertinimą. Iš SW gautos savybės ir apskaičiuotos savybės leido sukurti tūkstančių kintamųjų PA klasifikacijai skirtų elementų erdvę. Mes taip pat rankiniu būdu pažymėjome kiekvieną 1 min. Veiklos segmentą kaip priklausantį vienai iš keturių kategorijų, tai yra, invalido vežimėlio važiavimo, rankos ergometrijos, poilsio ir stalo darbo, paremto anotacijomis, kurios naudojo kaip mokymą ir veiklos klasifikavimo algoritmų išbandymą. Iš SW surinkti duomenys buvo apdoroti naudojant duomenų analizės programas, parašytas MATLAB (The Mathworks, Inc., Natick, MA, JAV).

Tada mes sukūrėme tris veiklos klasifikavimo algoritmus, pagrįstus mokymo duomenų rinkiniu, naudodamiesi mašininio mokymosi algoritmais, įskaitant tiesinę diskriminantinę analizę (LDA), kvadratinę diskriminantinę analizę (QDA) ir NB. Kiekvienam klasifikavimo algoritmui atlikome kryžminį patvirtinimą atskirai nuo vieno objekto (LOSO) ir šešis kartus pagal subjektus, kad pasirinktume tinkamiausias savybes ir įvertintume klasifikavimo algoritmo veikimą. LOSO kryžminio patvirtinimo metodas pašalina vieną tiriamąjį, o vėliau sukuria modelį likusiems tiriamiesiems. Šių likusių tiriamųjų sukurtas modelis vertinamas pagal paliktą dalyką. Ši procedūra buvo pakartota 36 kartus, nes treniruočių grupėje buvo 36 tiriamieji. Šešių kartų kryžminio patvirtinimo metodas yra panašus į LOSO, išskyrus tai, kad tiriamieji yra padalijami į šešias atsitiktines grupes (arba raukšles), o kiekvieną kartą paliekant grupę ir kuriant likusių penkių grupių modelius. Šešis kartus atliktas kryžminis patvirtinimas buvo pakartotas šešis kartus, nes iš viso treniruočių duomenų rinkinyje dalyvavo 36 dalyviai. Be kryžminio patvirtinimo, taip pat buvo įvertintas trijų veiklos klasifikavimo algoritmų vykdymas naudojant patikrinimo duomenų rinkinį. Buvo apskaičiuoti keli efektyvumo rodikliai, įskaitant tikslumą per minutę (tikrasis teigiamas / (tikras teigiamas + klaidingai teigiamas)), prisiminimas (tikras teigiamas / (tikras teigiamas + klaidingai neigiamas)), specifiškumas (tikras neigiamas / (tikras neigiamas + klaidingai teigiamas)) ir bendras tikslumas ((tikras teigiamas + tikras neigiamas) / (atvejų skaičius)). 18 Tikslumas rodo proporciją, kuria nustatytas aktyvumas yra teisingas. Prisiminimas, taip pat žinomas kaip jautrumas, yra teisingai identifikuotos faktinės veiklos dalis. Specifiškumas yra teisingai identifikuotos neatliekamos veiklos dalis, kitaip tariant, tai yra klasifikavimo algoritmo gebėjimas atskirti tikruosius neigiamus atvejus. Bendras tikslumas yra bendras algoritmo našumas. Taip pat įvertinome, kaip veiklos klasifikavimo algoritmų veikimas paveikė EE vertinimą, naudodamas anksčiau sukurtą veiklai specifinį EE prognozavimo modelį. 15 Ankstesniame darbe atliekant EE vertinimą, pagrįstą konkrečiai veiklai numatomu modeliu, buvo laikomas 100% veiklos klasifikavimo tikslumas. Tačiau šiame tyrime mes įvertinome veiklai būdingo EE prognozavimo modelio veikimą remiantis faktiniais klasifikavimo rezultatais. Panašiai kaip mūsų ankstesniame darbe, 15 apskaičiuota EE buvo palyginta su EE kriterijumi iš medžiagų apykaitos krepšelio, apskaičiuojant absoliučią paklaidą minutėmis po minutės ir vidutinę pasirašytą paklaidą.

Rezultatai

Dalyvavo 37 vyrai ir 8 moterys, kurių MSD amžius buvo 40, 2 (11, 0) metai, svoris 78, 5 (21, 9) kg, ūgis 178, 2 (8, 6) cm, o rankinis vežimėlio naudojimas buvo 13, 8 (9, 1) metų. Trisdešimt aštuoniems dalyviams pasireiškė paraplegija (T4 ir mažesnė TKI), o septyniems dalyviams - tetraplegija (T3 ir aukštesnė TKI). Išsami demografija buvo aptarta ankstesniame mūsų darbe. 15 1 lentelėje pateikiami LDA, QDA ir NB klasifikavimo algoritmų, taikomų mokymo duomenų rinkiniui ( n = 36), našumas naudojant LOSO ir šešių kartų atskirų subjektų kryžminio patvirtinimo metodus. Rezultatai parodė, kad klasifikavimo tikslumas buvo mažiau priklausomas nuo algoritmų, bet labiau priklausė nuo funkcijų tipo ir skaičiaus. Trumpumo dėlei pasirinkome pateikti išsamius QDA ir NB klasifikavimo algoritmų rezultatus. 2 lentelėje parodyta klasifikavimo charakteristika pagal QDA ir NB klasifikavimo algoritmų tikslumą, atšaukimą, jautrumą ir bendrą tikslumą, naudojant keturias patvirtinimo duomenų rinkinio savybes. Bendras QDA ir NB klasifikavimo algoritmų klasifikavimo rodiklis buvo atitinkamai 96, 3% ir 94, 8%. 3 lentelėje parodyta painiavos matrica, kuri yra faktinės ar tikrosios veiklos ir veiklos, aptiktos klasifikavimo algoritmu, vaizdinis vaizdas. 3 lentelės rezultatai rodo, kad klaidinga klasifikacija dažnai įvyko tarp neįgaliojo vežimėlio stūmimo ir rankos ergometrijos pratimų, kurie apima pakartotinį viršutinių galūnių naudojimą. Be to, 4 lentelėje pateiktos EE įvertinimo klaidos, įskaitant vidutinę absoliučią paklaidą ir patvirtinto duomenų rinkinio vidutinę pasirašytą klaidą ( n = 9), kai buvo naudojamas konkrečiai veiklai skirtas EE numatymo modelis kartu su QDA arba NB klasifikavimo algoritmais su keturiais. funkcijos.

Pilno dydžio lentelė

Pilno dydžio lentelė

Pilno dydžio lentelė

Pilno dydžio lentelė

Diskusija

Prieinami neįgaliųjų vežimėlių keleivių veiklos stebėjimo prietaisai leis patiems vartotojams, tyrėjams ir gydytojams sekti įprastą PA, EE vertinimą, PA lygį bendruomenės aplinkoje ir viršutinių galūnių funkcinį naudojimą, o tai susiję su skausmu ir sužalojimų paplitimu vežimėlyje. Šio tyrimo rezultatai rodo, kad SW veiklos monitorius kartu su pritaikytais mašinų mokymosi klasifikavimo algoritmais, tokiais kaip LDA, QDA ir NB, gali būti naudojami klasifikuojant su neįgaliųjų vežimėliais susijusias PA MWU. Palyginti su Postma ir kt. Atliktu tyrimu . 11, kur šeši aktyvumo monitoriai buvo naudojami nustatant neįgaliųjų vežimėlio judesio epizodus iš tam tikrų veiklų, mes naudojome vieną SW aktyvumo monitorių, kad pasiektume didesnį klasifikavimo tikslumą (96% QDA klasifikavimo algoritmui, palyginti su 92%) su didesniu tiriamųjų skaičiumi ( n = 45, palyginti su n = 10). Panašiai čia aptarti klasifikavimo algoritmai pralenkė tuos, kurie buvo atlikti ankstesniuose Ding ir kt. Tyrimuose . 12 ir prancūzų ir kt. 13, kuris klasifikavo su neįgaliųjų vežimėliais susijusius PA naudodamas du įtaisus, mažesnius ( n = 27) neįgaliųjų vežimėlių naudotojų ir tris, išskyrus neįgaliųjų vežimėlius naudojančius įrenginius.

Kuriant klasifikavimo algoritmą, buvo naudojamos kelios strategijos, siekiant sumažinti per didelius įrengimus. Kaip parodyta 1 lentelėje, klasifikavimo tikslumas pagerėjo padidėjus funkcijų skaičiui, o tai rodo, kad norint klasifikuoti kelias PA yra būtinas pagrįstas funkcijų skaičius. Atsižvelgdami į tyrimo dalyvių skaičių, mes pasirinkome naudoti nedidelį funkcijų rinkinį, kuriame yra keturios savybės, kad galėtume toliau analizuoti klasifikavimo algoritmus, nes norėjome rasti pusiausvyrą tarp klasifikavimo algoritmų tikslumo ir perdėto pritaikymo nematytiems dalyviams. Be to, rezultatai parodė, kad LOSO kryžminio patvirtinimo technika, turinti tendenciją, kad mažas pavyzdys turi didesnį dispersiją ir mažesnį paklaidą, buvo panaši į šešis kartus didesnio kryžminio patvirtinimo metodo, taikomo atskiriems subjektams. Tai paskatino mus panaudoti kryžminį patvirtinimą LOSO klasifikavimo algoritmų kūrimui, kuris padeda pagerinti klasifikavimo algoritmų apibendrinamumą nematytiems dalyviams. Keturios QDA klasifikavimo algoritmo ypatybės buvo: atsirandantis pagreitis ir trys kiti kintamieji, gauti iš skersinio pagreičio vidutinio absoliutaus skirtumo ir smailių skaičiaus. Panašiai, keturios NB klasifikavimo algoritmo savybės buvo šios: atsirandantis pagreitis ir trys kiti kintamieji, gauti iš vidutinio skersinio pagreičio skirtumo ir vidutinio absoliutaus skirtumo bei išilginio pagreičio smailių skaičiaus. QDA ir NB klasifikavimo algoritmų pasirinktos savybės apėmė kryptinį, bendrą judesį ir žasto judesio dažnį iš SW akselerometro, nurodant, kad klasifikavimo algoritmai buvo jautrūs judesio kintamiesiems, klasifikuodami su kėdėmis susijusius PA. Nors QDA klasifikavimo algoritmas davė šiek tiek didesnį tikslumą nei NB, NB klasifikavimo algoritmas skaičiuoti yra paprastesnis ir turi didesnį potencialą realaus laiko veiklai klasifikuoti.

Ankstesniame darbe 15 mes sukūrėme konkrečiai veiklai skirtą EE numatymo modelį, kuris apima PA tipo nustatymą prieš pritaikant aptiktai PA specifinę EE įvertinimo lygtį. Tačiau ankstesniame darbe buvo įvertintas modelio veikimas darant prielaidą, kad PA tipai gali būti aptinkami ir klasifikuojami 100% tikslumu. Turėdami daugiau nei 95% klasifikavimo tikslumo, gauto pagal QDA ir NB klasifikavimo algoritmus, mes nustatėme, kad faktinės klasifikavimo rezultatai veiklai būdingo EE prognozavimo modelio veikimui turėjo minimalios įtakos. Ankstesnis tyrimas parodė, kad vidutinė absoliučioji paklaida ir vidutinė visų veiklų paklaida buvo atitinkamai 16, 8% ir 4, 9 ± 20, 7%. 15 Šiame tyrime QDA klasifikavimo algoritmo vidutinė absoliuti paklaida ir pažymėta paklaida buvo atitinkamai 17, 4% ir 5, 3 ± 21, 5%, o NB klasifikavimo algoritmams - atitinkamai 18, 2% ir 4, 6 ± 22, 8%. 3 lentelės rezultatai taip pat parodė, kad vežimėlio judėjimo ir rankos ergometrijos veikla kartais buvo neteisingai klasifikuojama pagal QDA ir NB klasifikavimo algoritmus; tačiau klaidingas klasifikavimas gali nedaro reikšmingos įtakos EE numatymui, nes abiejų veiklų EE yra panaši. Be to, veiklai būdingos EE įvertinimo lygtys ir klasifikavimo algoritmai turi keletą bendrų kintamųjų, įskaitant vidutinį absoliutų skersinio pagreičio skirtumą ir vidutinį absoliutų skirtumą bei vidutinį išilginio pagreičio smailių skaičių. 15

Vienas šio tyrimo apribojimų yra nedidelis PA, patikrintų protokole, skaičius. Be to, veikla buvo vykdoma kontroliuojamoje laboratorijoje ir tiksliai nustatyta, pvz., Vežant invalido vežimėlį ir mankštinant rankos ergometru tam tikru greičiu ir (arba) intensyvumu. Ateityje atliktuose tyrimuose turėtų būti įvertintas didesnis PA skaičius namuose ir bendruomenėje. Mūsų žiniomis, nėra įrenginio, kurį galėtų tiesiogiai naudoti neįgaliųjų vežimėlių vartotojai, kad klasifikuotų PA ir įvertintų EE. Mes pasirinkome ištirti SW veiklos stebėjimo potencialą šioje populiacijoje dėl to, kad jis yra lengvai prieinamas rinkoje ir turi daugelio jutiklių galimybes.

Išvada

Jei MWU gali naudotis fizinio aktyvumo monitoriais, jie gali įgalinti stebėti kasdienį PA dalyvavimą ir EE bei priimti pagrįstus sprendimus dėl sveikesnio elgesio. Didelis QDA ir NB klasifikavimo algoritmų klasifikavimo tikslumas ir žemos EE įvertinimo klaidos, naudojant faktinius klasifikavimo rezultatus, rodo, kad SW aktyvumo monitorius gali būti naudojamas klasifikuoti ir įvertinti keturių šiame tyrime išbandytų veiklų EE tarp MWU su SCI. .

Duomenų archyvavimas

Nebuvo duomenų, kuriuos būtų galima įnešti