The autocorrelation assessment resu

The autocorrelation assessment results revealed that all the fall
indicator time series were autocorrelated. After ARIMA modeling,
non-autocorrelated fitted residuals were obtained for all the fall
indicator time series.Fig. 3illustrated the results of one of the fall
indicators from the autocorrelation assessment and ARIMA modeling for one participant. In particular, Fig. 3a showed the original
time series.Fig. 3b showed that the ACF plot did not cutoff at Lag
10 indicating that this fall indicator time series were autocorrelated. Differenced time series were then determined (e.g.Fig. 3c). It
was found that the ACF plot (Fig. 3d) and PACF plot (Fig. 3e) for
the first order differenced time series had ‘‘tail off’’ pattern and
cut off pattern after Lag 2, respectively. This indicated that an ARIMA (2, 1, 0) should be appropriate. A residual time series (Fig. 3f)
was then obtained. The diagnosis check revealed that the residual
time series were not autocorrelated, since the autocorrelation coefficient decay rapidly to the value that was not significantly larger
than zero at Lag 10 (Fig. 3g).
The individual-specific control limits for each fall indicator
were presented inTable 2. The results from model evaluation were
given inTable 3. Except for the sensitivity obtained from shank
frontal velocity, the sensitivity and specificity for all the fall indicators were larger than 90%. In particular, trunk vertical velocity was
associated with the highest sensitivity (i.e. 94.7%). Shank frontal
velocity was associated with the highest specificity (i.e. 99.2%).
When comparing the detection time among the fall indicators,
trunk vertical velocity was associated with the least average detection time (i.e. 620 ms).

ผลลัพธ์ (ไทย) 1:

ผลประเมิน autocorrelation เปิดเผยที่อยู่ทั้งหมดตัวบ่งชี้เวลาชุด autocorrelated หลังจากสร้างโมเดลอาไม่ใช่-autocorrelated ติดตั้งค่าคงเหลือได้รับมาสำหรับฤดูใบไม้ร่วงตัวบ่งชี้เวลา series.Fig. 3illustrated ผลของฤดูใบไม้ร่วงตัวบ่งชี้ประเมิน autocorrelation และโมเดลอาสำหรับผู้เข้าร่วม โดยเฉพาะอย่างยิ่ง Fig. 3a พบต้นฉบับเวลา series.Fig. 3b แสดงให้เห็นว่า สโมสรฟุตบอลพล็อตไม่ได้ตัดไม่ที่ความล่าช้า10 ที่ระบุว่า ขณะนี้ตัวบ่งชี้ตกชุด autocorrelated เวลา differenced ชุดแล้วกำหนด (e.g.Fig. 3c) มันพบว่า สโมสรฟุตบอลพล็อต (Fig. 3d) และ PACF พล็อต (Fig. 3e) สำหรับชุดแรกสั่ง differenced เวลามีรูปแบบ ''หางปิดนิ้ว และตัดลวดลายหลังจากความล่าช้า 2 ตามลำดับ ระบุว่า เป็นอา (2, 1, 0) ควรเหมาะสม ชุดเวลาเหลือ (Fig. 3f)ถูกแล้วได้รับการ การตรวจสอบวินิจฉัยการเปิดเผยที่ส่วนที่เหลือจากการชุดเวลาไม่ autocorrelated ตั้งแต่ผุสัมประสิทธิ์ autocorrelation อย่างรวดเร็วให้ค่าที่ไม่ใหญ่มากกว่าศูนย์ที่ช่วงห่าง 10 กิน 3g)ขีดจำกัดควบคุมเฉพาะบุคคลสำหรับแต่ละตัวบ่งชี้อยู่ได้นำเสนอ inTable 2 ผลจากการประเมินแบบจำลองได้กำหนด inTable 3 ยกเว้นความไวได้จากจำพวกหน้าผากความเร็ว ความไว และ specificity ในฤดูใบไม้ร่วงทุกตัวบ่งชี้ได้มากกว่า 90% โดยเฉพาะอย่างยิ่ง ความเร็วแนวตั้งลำตัวถูกเกี่ยวข้องกับความไวสูง (เช่น 94.7%) จำพวกที่หน้าผากความเร็วที่สัมพันธ์กับ specificity สูง (เช่น 99.2%)เมื่อเปรียบเทียบเวลาตรวจระหว่างตัวบ่งชี้ตกความเร็วแนวลำตัวที่สัมพันธ์กับเวลาตรวจเฉลี่ยน้อยที่สุด (เช่น 620 ms)

ผลลัพธ์ (ไทย) 2:

ผลการประเมินอัตเปิดเผยว่าทุกฤดูใบไม้ร่วง
อนุกรมเวลาตัวบ่งชี้ที่ถูกอัตสหสัมพันธ์ หลังจาก ARIMA การสร้างแบบจำลอง
ที่ไม่ใช่อัตสหสัมพันธ์เหลือติดตั้งที่ได้รับสำหรับทุกฤดูใบไม้ร่วง
แสดงเวลา series.Fig 3illustrated ผลของหนึ่งในฤดูใบไม้ร่วง
จากตัวชี้วัดการประเมินอัตและการสร้างแบบจำลอง ARIMA หนึ่งเข้าร่วม โดยเฉพาะอย่างยิ่งรูป 3a แสดงให้เห็นว่าเดิม
เวลา series.Fig 3b แสดงให้เห็นว่าพล็อต ACF ไม่ได้ตัด Lag ที่
10 แสดงให้เห็นว่าตัวบ่งชี้อนุกรมเวลาฤดูใบไม้ร่วงนี้ถูกอัตสหสัมพันธ์ อนุกรมเวลา differenced ได้รับการพิจารณาแล้ว (egFig. 3c) มัน
ก็พบว่าพล็อต ACF (รูป. 3d) และพล็อ PACF (รูป. 3e) สำหรับ
การสั่งซื้อครั้งแรกอนุกรมเวลา differenced มี '' ปิดท้าย '' รูปแบบและ
ตัดรูปแบบหลังจากที่ล่าช้า 2 ตามลำดับ แสดงให้เห็นว่า ARIMA (2, 1, 0) ควรมีความเหมาะสม อนุกรมเวลาที่เหลือ (รูป. 3f)
ที่ได้รับแล้ว การตรวจสอบการวินิจฉัยเปิดเผยว่าที่เหลือ
อนุกรมเวลาที่ไม่ได้เกิดอัตสหสัมพันธ์ตั้งแต่การสลายตัวของค่าสัมประสิทธิ์อัตอย่างรวดเร็วเพื่อให้มีค่าที่ไม่ได้มีขนาดใหญ่
กว่าศูนย์ Lag ที่ 10 (รูป. 3G).
ข้อ จำกัด การควบคุมบุคคลที่เฉพาะเจาะจงสำหรับตัวบ่งชี้แต่ละฤดูใบไม้ร่วง
ที่มีการนำเสนอ inTable 2. ผลจากการประเมินรูปแบบที่ถูก
กำหนด inTable 3. ยกเว้นความไวที่ได้รับจากขา
ความเร็วหน้าผากไวและความจำเพาะสำหรับทุกตัวชี้วัดฤดูใบไม้ร่วงมีขนาดใหญ่กว่า 90% โดยเฉพาะอย่างยิ่งความเร็วในแนวตั้งลำได้รับการ
เชื่อมโยงกับความไวสูงสุด (เช่น 94.7%) หน้าผากก้าน
ความเร็วมีความสัมพันธ์กับความจำเพาะสูงที่สุด (เช่น 99.2%).
เมื่อเปรียบเทียบเวลาการตรวจสอบตัวชี้วัดในหมู่ฤดูใบไม้ร่วง,
ลำต้นความเร็วในแนวตั้งมีความสัมพันธ์กับเวลาการตรวจสอบอย่างน้อยเฉลี่ย (คือ 620 มิลลิวินาที)

ผลลัพธ์ (ไทย) 3:

ผลการประเมิน พบว่า ทั้งข้อมูลตัวบ่งชี้เวลาตก
ชุดเป็น 365 . หลังจากกำหนดตัวแบบไม่ติดตั้งค่า
94 ได้รับทั้งหมดตก
ตัวบ่งชี้เวลา series.fig . 3illustrated ผลหนึ่งของฤดูใบไม้ร่วง
ตัวชี้วัดจากข้อมูลการประเมินและการตลาดแบบหนึ่งที่ผู้เข้าร่วม โดยเฉพาะรูปที่ 3A พบต้นฉบับ
series.fig เวลา ทรีบี พบว่าแปลงที่ไม่ได้ตัด ACF ล้าหลัง
10 ระบุว่า ตกลงนี้เป็นตัวบ่งชี้เวลาชุด 52 . อนุกรมเวลาคือ ( differenced แล้วพิจารณา e.g.fig . 3C ) มัน
พบว่าพล็อต ACF ( รูปที่ 3 ) และแปลง ( รูป pacf 3E )
differenced คำสั่งแรกของอนุกรมเวลามี 'tail ' ปิด ' ' รูปแบบและ
ตัดรูปแบบหลังจากที่ล่าช้า 2 ตามลำดับนี้ชี้ให้เห็นว่าเป็น ARIMA ( 2 , 1 , 0 ) น่าจะเหมาะสม ชุดเวลาเหลือ ( รูปที่ขา )
ก็ได้ การตรวจสอบพบว่าชุดเวลาที่เหลือ
ไม่ได้ 52 เนื่องจากสัมประสิทธิ์อัตสลายตัวอย่างรวดเร็วค่าที่อยู่ในระดับขนาดใหญ่กว่าศูนย์ที่ล้าหลัง 10

( รูปที่ 3 ) บุคคลเฉพาะการควบคุมจำกัดสำหรับแต่ละตัวบ่งชี้
ฤดูใบไม้ร่วงถูกนำเสนอ intable 2 จากผลการประเมินดังกล่าวให้ intable
3 ยกเว้นความไวได้จากก้าน
ด้านหน้า ความเร็ว ความไวและความจำเพาะเจาะจงสำหรับตัวชี้วัดทั้งหมด ตก มีขนาดใหญ่กว่า 90% โดยเฉพาะรถความเร็วในแนวตั้งคือ
ที่เกี่ยวข้องกับความไวสูง ( เช่น 94.7 % ) หน้าแข้งด้านหน้า
ความเร็วที่เกี่ยวข้องกับความจำเพาะสูงสุด ( เช่น99.2% )
เมื่อเปรียบเทียบการตรวจสอบเวลาของตกตัวบ่งชี้
รถความเร็วในแนวตั้งได้เกี่ยวข้องกับเวลาการตรวจสอบอย่างน้อยเฉลี่ย ( เช่น 620 นางสาว )