The risk of falling is high among d

The risk of falling is high among different groups of people, such as older people, individuals with Parkinson's disease or patients in neuro-rehabilitation units. Developing robust fall detectors is important for acting promptly in case of a fall. Therefore, in this study we propose to personalize smartphone-based detectors to boost their performance as compared to a non-personalized system. Four algorithms were investigated using a public dataset: three novelty detection algorithms--Nearest Neighbor (NN), Local Outlier Factor (LOF) and One-Class Support Vector Machine (OneClass-SVM)--and a traditional supervised algorithm, Support Vector Machine (SVM). The effect of personalization was studied for each subject by considering two different training conditions: data coming only from that subject or data coming from the remaining subjects. The area under the receiver operating characteristic curve (AUC) was selected as the primary figure of merit. The results show that there is a general trend towards the increase in performance by personalizing the detector, but the effect depends on the individual being considered. A personalized NN can reach the performance of a non-personalized SVM (average AUC of 0.9861 and 0.9795, respectively), which is remarkable since NN only uses activities of daily living for training.

ผลลัพธ์ (ไทย) 1:

มีความเสี่ยงตกสูงต่าง ๆ แตกต่างกันของกลุ่มบุคคล ผู้สูงอายุ บุคคลที่ มีโรคพาร์กินสันหรือผู้ป่วยในหน่วยฟื้นฟูระบบประสาท พัฒนาเครื่องตรวจจับมีประสิทธิภาพตกเป็นสิ่งสำคัญสำหรับทำหน้าที่ทันทีในกรณีที่ลดลง ดังนั้น ในการศึกษานี้ เรานำเสนอในการปรับแต่งพื้นฐานเครื่องตรวจจับเพื่อเพิ่มประสิทธิภาพของพวกเขาเมื่อเทียบกับระบบไม่ใช่ส่วนบุคคล อัลกอริทึมที่สี่ถูกตรวจสอบโดยใช้ชุดข้อมูลแบบสาธารณะ: สามแปลกใหม่การตรวจสอบอัลกอริทึม - เพื่อนบ้านที่ใกล้ที่สุด (NN), ปัจจัย Outlier ถิ่น (LOF) และชั้นหนึ่งสนับสนุนเวกเตอร์เครื่อง (OneClass-SVM) - และ อัลกอริธึมดูแลแบบดั้งเดิม เครื่องเวกเตอร์สนับสนุน (SVM) ผลของการตั้งค่าส่วนบุคคลถูกศึกษาแต่ละวิชา โดยพิจารณาเงื่อนไขการฝึกอบรมแตกต่างกันสอง: ข้อมูลที่มาจากเรื่องเฉพาะหรือข้อมูลที่มาจากวิชาที่เหลือ พื้นที่ภายใต้โค้ง (AUC) ในการใช้งานตัวรับสัญญาณถูกเลือกเป็นตัวเลขหลักบุญ ผลแสดงว่า มีแนวโน้มทั่วไปสู่การเพิ่มประสิทธิภาพ โดยการปรับแต่งเครื่องตรวจจับ แต่ผลกระทบขึ้นกับบุคคลมีการพิจารณา NN ส่วนบุคคลสามารถเข้าถึงประสิทธิภาพของ SVM ไม่ใช่ส่วนบุคคล (เฉลี่ย AUC ของ 0.9861 และ 0.9795 ตามลำดับ), ซึ่งเป็นที่น่าทึ่งเนื่อง NN ใช้กิจกรรมในชีวิตประจำวันสำหรับการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

ความเสี่ยงของการลดลงอยู่ในระดับสูงในกลุ่มที่แตกต่างกันของผู้คนเช่นผู้สูงอายุผู้ที่มีโรคพาร์กินสันหรือผู้ป่วยในหน่วยของระบบประสาทการฟื้นฟูสมรรถภาพ การพัฒนาเครื่องตรวจจับฤดูใบไม้ร่วงที่แข็งแกร่งเป็นสิ่งสำคัญสำหรับการทำหน้าที่ทันทีในกรณีของฤดูใบไม้ร่วง ดังนั้นในการศึกษาครั้งนี้เรานำเสนอในการปรับแต่งเครื่องตรวจจับมาร์ทโฟนที่ใช้ในการเพิ่มประสิทธิภาพการทำงานของพวกเขาเมื่อเทียบกับระบบที่ไม่ใช่ส่วนบุคคล สี่ขั้นตอนวิธีการถูกตรวจสอบโดยใช้ชุดข้อมูลส่วนกลาง: สามขั้นตอนวิธีการตรวจสอบความแปลกใหม่ - เพื่อนบ้านที่ใกล้ที่สุด (NN) ท้องถิ่นขอบเขตปัจจัย (LOF) และ One-Class เครื่องสนับสนุนเวกเตอร์ (OneClass-SVM) - และขั้นตอนวิธีการภายใต้การดูแลแบบดั้งเดิมเวกเตอร์สนับสนุนเครื่อง (SVM) ผลของการศึกษาส่วนบุคคลสำหรับแต่ละเรื่องโดยพิจารณาเงื่อนไขที่สองการฝึกอบรมที่แตกต่างกัน: ข้อมูลมาจากเรื่องที่หรือข้อมูลมาจากวิชาที่เหลือ พื้นที่ภายใต้การดำเนินงานรับเส้นโค้งลักษณะ (AUC) ที่ได้รับการคัดเลือกให้เป็นตัวเลขหลักของการทำบุญ ผลการศึกษาพบว่ามีแนวโน้มทั่วไปที่มีต่อการเพิ่มขึ้นของประสิทธิภาพการทำงานโดยการปรับแต่งเครื่องตรวจจับ แต่ผลที่ได้ขึ้นอยู่กับบุคคลที่ได้รับการพิจารณา NN ส่วนบุคคลสามารถเข้าถึงประสิทธิภาพการทำงานของ SVM ไม่ใช่ส่วนบุคคล (AUC เฉลี่ยของ 0.9861 และ 0.9795 ตามลำดับ) ซึ่งเป็นที่โดดเด่นตั้งแต่ NN เพียงใช้กิจกรรมในชีวิตประจำวันสำหรับการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

ความเสี่ยงของการล้มคือสูงระหว่างกลุ่มที่แตกต่างกันของผู้คน เช่น ผู้สูงอายุ ผู้ที่มีโรคพาร์กินสันหรือผู้ป่วยในหน่วยเวชศาสตร์ฟื้นฟู ประสาท การพัฒนาประสิทธิภาพตกเครื่องตรวจจับเป็นสิ่งสำคัญสำหรับการแสดงทันทีในกรณีของการล่มสลาย ดังนั้นในการศึกษานี้จึงเสนอให้ปรับใช้เพื่อเพิ่มประสิทธิภาพของระบบมาร์ทโฟน เมื่อเทียบกับที่ไม่ใช่ส่วนบุคคลระบบ สี่วิธีการศึกษาใช้ข้อมูลสาธารณะ : สามนวัตกรรมการตรวจสอบขั้นตอนวิธี -- เพื่อนบ้านที่ใกล้ที่สุด ( NN ) , ปัจจัยค่าท้องถิ่น ( ลอฟ ) และสนับสนุนหนึ่งชั้นเวกเตอร์เครื่อง ( oneclass SVM ) -- และมีขั้นตอนวิธีแบบดั้งเดิมเครื่องเวกเตอร์สนับสนุน ( SVM ) ผลของการศึกษาส่วนบุคคลสำหรับแต่ละเรื่องโดยพิจารณาจาก 2 เงื่อนไขการฝึกอบรมที่แตกต่างกัน : ข้อมูลมาแค่จากเรื่องหรือข้อมูลที่มาจากวิชาที่เหลือ พื้นที่ภายใต้โค้งลักษณะงาน ( รับยา ) ได้รับเลือกเป็นรูปหลักของบุญ ผลที่ได้แสดงให้เห็นว่ามีทั่วไป แนวทางในการปฏิบัติ โดยปรับตัวเพิ่มขึ้น แต่ผลขึ้นอยู่กับแต่ละบุคคลเป็นสำคัญ ส่วนตัวไม่สามารถเข้าถึงการปฏิบัติไม่ใช่ SVM ส่วนบุคคล ( ค่าเฉลี่ย และ 0.9795 0.9861 ตามลำดับ ) ซึ่งเป็นที่โดดเด่นเนื่องจากไม่เพียงแต่ใช้กิจกรรมชีวิตประจำวันสำหรับการฝึกอบรม