Age-related decline in sensory inputs in elderly people leads to postural instability that increases irregularity of postural sway. This study aimed to examine the effect of visual or somatosensory inputs on postural sway irregularity in the elderly by using machine learning (ML). The feature set was extracted from entropy measurements including sample, fuzzy, distribution, conditional, and permutation. Then, the variables were classified by ML including support vector machines (SVM), k-nearest neighbors (k-NN), and linear discriminant analysis (LDA) algorithms. Classification performances were compared with the confusion matrix. For the elderly, in the eyes closed condition on an unstable surface, the SVM algorithm achieved higher accuracy (77%), sensitivity (72%), specificity (85%), and precision (83%) for the cv dataset. For young, SVM also achieved high accuracy (86%), sensitivity (87%), specificity (84%), and precision (84%). For the elderly, under the eyes open on unstable surface conditions, the SVM exhibited an accuracy of 79%, sensitivity of 75%, specificity of 72%, and precision of 75%. However, for young, it did not reveal good results for both surfaces. In conclusion, the findings suggest that older people adapt their postural control mechanisms, relying more on somatosensory inputs. ML algorithms with entropy-based features can give insights into age-related differences in postural control.
Yaşlılarda duyusal girdilerde yaşa bağlı azalma, postüral dengesizliğe yol açarak postüral salınımın düzensizliğini artırır. Bu çalışma, makine öğrenimi (ML) kullanarak görsel veya somatosensoriyel girdilerin yaşlılarda postural salınım düzensizliği üzerindeki etkisini incelemeyi amaçladı. Özellik seti örnek, bulanık, dağıtım, koşullu ve permütasyon dâhil Entropi ölçümlerinden çıkarıldı. Daha sonra değişkenler, destek vektör makineleri (SVM), k-en yakın komşular (k-NN) ve doğrusal diskriminant analizi (LDA) algoritmalarını içeren ML modelleri ile sınıflandırıldı. Modellerin sınıflandırma performansları hata matrisi ile karşılaştırıldı. Yaşlılar için, stabil olmayan bir yüzeyde gözleri kapalı durumda SVM algoritması test veri seti için daha yüksek doğruluk (%77), duyarlılık (%72), özgüllük (%85) ve kesinlik (%83) elde etti. Gençler içinde SVM yüksek doğruluk (%86), duyarlılık (%87), özgüllük (%84) ve kesinlik (%84) elde etti. Kararsız yüzey koşullarında gözleri açık olan yaşlılar için SVM %79 doğruluk, %75 duyarlılık, %72 özgüllük ve %75 kesinlik sergiledi. Ancak gençler için her iki yüzeyde de iyi sonuçlar ortaya çıkmadı. Sonuç olarak, bulgular yaşlı insanların postüral kontrol mekanizmalarını somatosensör girdilere daha fazla güvenerek uyarladıklarını göstermektedir. Entropi tabanlı özellik setine sahip ML algoritmaları, yaşlılarda postüral salınım dinamiklerini yöneten temel mekanizmalar hakkında fikir verebilir.
Primary Language | English |
---|---|
Subjects | Machine Learning (Other) |
Journal Section | Computer Engineering |
Authors | |
Publication Date | December 12, 2023 |
Submission Date | August 5, 2023 |
Published in Issue | Year 2023 |