MAISON-LLF

MAISON-LLF数据集是由多伦多康复研究所KITE研究所等机构创建的，旨在监测社区环境中恢复下肢骨折的老年人的健康状况。该数据集包含来自智能手机、智能手表、运动检测器和睡眠追踪床垫的多模态传感器数据，以及关于社会孤立和功能衰退的临床问卷数据。数据集共收集了10名老年人在家中单独生活八周的数据，总计560天的24小时传感器数据。数据集的创建过程涉及使用MAISON平台进行连续数据收集，并通过临床问卷验证数据的准确性。该数据集的应用领域包括通过机器学习和深度学习模型预测社会孤立和功能衰退，从而为老年人提供个性化的康复策略，改善其生活质量。MAISON-LLF Dataset was developed by institutions including KITE Research Institute at Toronto Rehabilitation Institute, with the primary objective of monitoring the health status of older adults recovering from lower extremity fractures in community settings. This dataset encompasses multimodal sensor data collected from smartphones, smartwatches, motion detectors and sleep-tracking mattresses, alongside clinical questionnaire data related to social isolation and functional decline. A total of 10 older adults living alone at home were monitored for 8 consecutive weeks, generating 24-hour continuous sensor data across 560 days in total. The dataset was constructed using the MAISON platform for continuous data collection, and its data accuracy was validated via clinical questionnaires. Applications of the MAISON-LLF Dataset include predicting social isolation and functional decline using machine learning and deep learning models, so as to provide personalized rehabilitation strategies for older adults and improve their quality of life.

搜集汇总

数据集介绍

构建方式

MAISON-LLF数据集的构建旨在通过多模态传感器平台收集老年人下肢体骨折术后康复过程中的数据。该平台集成了智能手机、智能手表、运动检测器、睡眠追踪床垫等多种传感器，并收集了临床问卷调查数据，包括社交隔离和功能下降方面的信息。数据集收集了10位独居老年人在家中连续8周、总计560天的24小时传感器数据。为了验证数据集的技术有效性，研究人员使用传感器数据和临床问卷调查数据开发了监督机器学习和深度学习模型，为研究社区提供了基础性的比较。

特点

MAISON-LLF数据集的特点包括：1）数据来源于独居老年人在社区环境中下肢体骨折术后康复过程；2）包含多模态传感器数据，提供了关于参与者情况的互补和补充信息；3）收集了连续的、纵向的数据，时间跨度为骨折后数周；4）纳入了经过临床验证的问卷作为金标准数据。这些特点使得该数据集非常适合用于开发监督和未监督的机器学习模型，以预测不同的健康结果。

使用方法

MAISON-LLF数据集的使用方法包括：1）使用多模态传感器数据作为输入，开发监督机器学习和深度学习模型，以估计健康结果，如社交隔离量表（SIS）、牛津髋关节评分（OHS）等；2）利用传感器数据和相应的金标准结果，进行检测或预测；3）探索模型个性化，开发能够考虑个体差异的机器学习模型；4）进行无监督机器学习，如多模态或时空聚类，以识别传感器数据中的模式；5）研究传感器模态、临床结果之间的相关性和关联。该数据集可通过Zenodo平台公开访问，并提供了Python代码，包括数据预处理、特征提取、特征选择和监督模型开发等功能。

背景与挑战

背景概述

在老年人群中，下肢骨折（LLF）是一个严重的健康问题，它不仅导致活动能力下降，还可能影响日常生活和独立性。MAISON-LLF数据集是为了监测社区环境中从下肢骨折中恢复的老年人的健康状况而创建的。该数据集由智能手机、智能手表传感器、运动检测器、睡眠追踪床垫和临床问卷组成，这些问卷旨在评估社交隔离和功能下降。数据集收集了10位独居在家中的老年人8周内的24小时传感器数据，总计560天。为了技术验证，研究人员使用传感器和临床问卷数据开发了监督机器学习和深度学习模型，为研究界提供了一个基础的比较。

当前挑战

MAISON-LLF数据集面临的挑战包括：1) 领域问题挑战：解决老年人在下肢骨折后面临的社交隔离和功能下降问题，以及如何通过多模态传感器平台进行远程监测和预警；2) 构建挑战：数据集的构建过程中遇到了如何收集连续的、纵向的多模态传感器数据，以及如何将这些数据与临床问卷数据进行整合和分析的挑战。

常用场景

经典使用场景

MAISON-LLF数据集，作为多模态传感器数据集，旨在监测社区中接受下肢骨折治疗的老年患者。该数据集融合了智能手机和智能手表传感器、运动探测器、睡眠跟踪床垫以及临床问卷数据，涵盖了社交孤立和功能下降等方面。通过机器学习算法对数据进行持续分析和远程监控，MAISON-LLF能够帮助临床医生识别处于社交孤立和功能下降风险中的患者，并提供及时的干预措施。此外，该数据集还支持开发个性化康复策略，以优化物理治疗方案，提高患者的生活质量。

实际应用

MAISON-LLF数据集在实际应用中具有广泛的前景。通过分析数据集，可以开发出针对老年患者的个性化康复策略，优化物理治疗方案，提高患者的生活质量。此外，该数据集还可以用于开发自动化的评估工具，帮助临床医生及时发现患者处于社交孤立和功能下降的风险，并提供及时的干预措施。最后，MAISON-LLF数据集还可以用于研究社交孤立和功能下降之间的关系，为制定有效的预防措施提供科学依据。

衍生相关工作

MAISON-LLF数据集的发布为相关领域的研究提供了宝贵的数据资源。基于该数据集，研究人员可以开展多种研究，包括开发预测模型、评估康复策略、研究社交孤立和功能下降之间的关系等。此外，MAISON-LLF数据集还可以与其他数据集进行整合，以开展更广泛的研究。例如，可以将MAISON-LLF数据集与其他老年人群的多模态传感器数据集进行整合，以研究不同人群在康复过程中的差异，从而为制定更具针对性的康复策略提供科学依据。