La segmentación de la marcha a partir de sensores integrados en calcetines en pacientes con esclerosis múltiple se logra mediante una arquitectura basada en transformadores con cabezales personalizados de clasificación y reconstrucción. Los datos de series temporales almacenados en InfluxDB se fragmentan en ventanas de 5s, 7s, 10s y 15s, se equilibran mediante SMOTE y SMOTEENN, y se evalúan mediante validación cruzada k-fold a nivel de sujeto. La arquitectura de transformador, junto con estrategias de balanceo de datos, se entrena para clasificar intervalos de caminar y de no caminar, capturando patrones temporales dinámicos de la marcha. Para garantizar la generalización, el modelo se somete a validación cruzada k-fold. Los resultados demuestran el potencial de esta solución para detectar de forma robusta episodios continuos de caminata y favorecer sistemas de monitoreo pasivo de la marcha más adaptativos.
–ABSTRACT–
Gait segmentation from instrumented sock sensors in multiple sclerosis is achieved using a transformer-based architecture with custom classification and reconstruction heads. Raw time-series data stored in InfluxDB are windowed at 5s, 7s, 10s, and 15s, balanced via SMOTE and SMOTEENN, and assessed with subject-level k-fold cross-validation. Transformer architecture with customized output heads and data balancing strategies is trained to classify walking and non-walking intervals, capturing dynamic temporal patterns in gait activity. To ensure generalizability, the model is evaluated using k-fold cross-validation. Results demonstrate the architecture’s potential to robustly detect continuous walking episodes and contribute to more adaptive, passive gait monitoring solutions.
La segmentación de la marcha a partir de sensores integrados en calcetines en pacientes con esclerosis múltiple se logra mediante una arquitectura basada en transformadores con cabezales personalizados de clasificación y reconstrucción. Los datos de series temporales almacenados en InfluxDB se fragmentan en ventanas de 5s, 7s, 10s y 15s, se equilibran mediante SMOTE y SMOTEENN, y se evalúan mediante validación cruzada k-fold a nivel de sujeto. La arquitectura de transformador, junto con estrategias de balanceo de datos, se entrena para clasificar intervalos de caminar y de no caminar, capturando patrones temporales dinámicos de la marcha. Para garantizar la generalización, el modelo se somete a validación cruzada k-fold. Los resultados demuestran el potencial de esta solución para detectar de forma robusta episodios continuos de caminata y favorecer sistemas de monitoreo pasivo de la marcha más adaptativos.
–ABSTRACT–
Gait segmentation from instrumented sock sensors in multiple sclerosis is achieved using a transformer-based architecture with custom classification and reconstruction heads. Raw time-series data stored in InfluxDB are windowed at 5s, 7s, 10s, and 15s, balanced via SMOTE and SMOTEENN, and assessed with subject-level k-fold cross-validation. Transformer architecture with customized output heads and data balancing strategies is trained to classify walking and non-walking intervals, capturing dynamic temporal patterns in gait activity. To ensure generalizability, the model is evaluated using k-fold cross-validation. Results demonstrate the architecture’s potential to robustly detect continuous walking episodes and contribute to more adaptive, passive gait monitoring solutions. Read More
Related posts:
Desarrollo de un sistema para el análisis de datos geográficos y temporales sobre el medioambiente
Diseño y despliegue de una solución CI/CD y serverless con AWS
Robotics‐driven gait analysis: Assessing Azure Kinect’s performance in in‐lab versus in‐corridor environments
Robotics-driven gait analysis: Assessing Azure Kinect’s performance in in-lab versus in-corridor environments
Cerámica Neumática
Spatio-Temporal Semantic Data Model for Precision Agriculture IoT Networks