Key points are not available for this paper at this time.
बच्चों के चलने के पैटर्न आयु के साथ विकसित होते हैं, जो युवा उम्र में कम पुनरावृत्ति और वयस्कों की तुलना में अधिक परिवर्तनशीलता प्रदर्शित करते हैं। तीन-आयामी गतिकी विश्लेषण (3DGA) बच्चों में निचले अंगों के गति विकारों को समझने और उपचार करने के लिए महत्वपूर्ण है, जिसे पारंपरिक रूप से ऑप्टिकल मोशन कैप्चर (OMC) का उपयोग करके किया जाता है। इनर्शियल मापन इकाइयाँ (IMUs) OMC का एक लागत-कुशल विकल्प प्रदान करती हैं, हालांकि डिफ्ट त्रुटियाँ जैसी चुनौतियाँ बनी रहती हैं। मशीन लर्निंग (ML) मॉडल वयस्कों में इन समस्याओं को कम कर सकते हैं, जिससे हेटेरोजेनियस बाल चिकित्सा आबादी में उनकी प्रासंगिकता की जांच की गई। इस अध्ययन का उद्देश्य 1) IMUs डेटा का उपयोग करते हुए सामान्य रूप से विकसित (TD) बच्चों में गait समय श्रृंखला की भविष्यवाणी के लिए व्यक्तित्व और सामान्य ML मॉडल के प्रदर्शन को मापना, 2) रैंडम फॉरेस्ट (RF) और कॉन्फ़ोल्यूशनल न्यूरल नेटवर्क (CNN) मॉडल के प्रदर्शन की तुलना करना, 3) सटीक भविष्यवाणियों के लिए आवश्यक IMUs की संख्या का निर्धारण करना है।
मोगहदाम एट अल. (बुध,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: