EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Leveraging feature selection for enhanced fall risk prediction in elderly using gait analysis

Nutzung von Feature-Selektion zur verbesserten Sturzrisikovorhersage bei älteren Menschen mithilfe von Ganganalyse

Sabri Altunkaya

Medical & Biological Engineering & Computing · 2024-12 · 62 (12) · 3887-3897

DOI: 10.1007/s11517-024-03180-2 ↗

Auf einen Blick

Bei 71 älteren Personen wurde mit Beschleunigungssignalen aus einer kurzen Aktivität ein Sturzrisiko-Modell entwickelt. Mit 17 ausgewählten Features wurde die beste Klassifikation mit 82,2 % Genauigkeit erreicht.

Fragestellung

Lässt sich das Sturzrisiko älterer Menschen mit Signalen eines einzelnen Sensors aus einer kurzen Aktivität vorhersagen?

Methode

Aus Beschleunigungssignalen von 71 älteren Personen wurden 168 Zeit- und Frequenzmerkmale gebildet. Die Merkmale wurden mit ReliefF gewichtet; ein künstliches neuronales Netz nutzte die wichtigsten Features.

Ergebnisse

Beste Klassifikation mit den 17 wichtigsten Features bei K = 20 nächsten Nachbarn. Genauigkeit 82,2 %; Sensitivität 82,9 %; Spezifität 81,6 %.

Schlussfolgerung der Autor:innen

Die Autor:innen schließen, dass Stürze früh mit einem Sensor und einer einfachen Aktivität erkannt werden können, wenn die richtigen Features bestimmt werden.

Kernaussagen

  • 71 ältere Personen; Beschleunigungssignale aus kurzer Aktivität
  • Beste Leistung mit 17 wichtigsten Features
  • Genauigkeit 82,2 %; Sensitivität 82,9 %; Spezifität 81,6 %

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Medical & Biological Engineering & Computing, online erschienen am 10.08.2024. Verfasst von Sabri Altunkaya. Beteiligte Einrichtung: Department of Electrical and Electronics Engineering, Necmettin Erbakan University, Konya, Türkiye. saltunkaya@erbakan.edu.tr. Hauptthemen laut MEDLINE: Accidental Falls, Neural Networks, Computer, Algorithms, Gait Analysis. Die Arbeit wurde bisher 9-mal zitiert (Crossref) und nennt 63 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Necmettin Erbakan University.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

There is no effective fall risk screening tool for the elderly that can be integrated into clinical practice. Developing a system that can be easily used in primary care services is a current need. Current studies focus on the use of multiple sensors or activities to achieve higher accuracy. However, multiple sensors and activities reduce the availability of these systems. This study aims to develop a system to perform fall prediction for the elderly by using signals recorded from a single sensor during a short-term activity. A total of 168 features in the time and frequency domains were created using acceleration signals obtained from 71 elderly people. The features were weighted based on the ReliefF algorithm, and the artificial neural networks model was developed using the most important features. The best classification result was obtained using the 17 most important features of those weighted for K = 20 nearest neighbors. The highest accuracy was 82.2% (82.9% Sensitivity, 81.6% Specificity). The partially high accuracy obtained in our study shows that falling can be detected early with a sensor and a simple activity by determining the right features and can be easily applied in the assessment of the elderly during routine follow-ups. Graphical Abstract

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Accidental FallsNeural Networks, ComputerAlgorithmsGait AnalysisHumansAgedFemaleMaleAged, 80 and overRisk AssessmentGait

Stichwörter der Autor:innen

AccelerometerFall predictionFall riskGait measures

Autor:innen und Institutionen

  • Department of Electrical and Electronics Engineering, Necmettin Erbakan University, Konya, Türkiye. saltunkaya@erbakan.edu.tr.

Förderung

  • Necmettin Erbakan University

Zitieren

APA

Altunkaya, S. (2024). Leveraging feature selection for enhanced fall risk prediction in elderly using gait analysis. Medical & Biological Engineering & Computing, 62(12), 3887-3897. https://doi.org/10.1007/s11517-024-03180-2

Vancouver

Altunkaya S. Leveraging feature selection for enhanced fall risk prediction in elderly using gait analysis. Medical & Biological Engineering & Computing. 2024;62(12):3887-3897. doi:10.1007/s11517-024-03180-2

BibTeX
@article{Altunkaya2024,
  author = {Altunkaya, Sabri},
  title = {Leveraging feature selection for enhanced fall risk prediction in elderly using gait analysis},
  journal = {Medical & Biological Engineering & Computing},
  year = {2024},
  volume = {62},
  number = {12},
  pages = {3887--3897},
  doi = {10.1007/s11517-024-03180-2}
}
Kostenlos starten →