Mobile App to Streamline the Development of Wearable Sensor-Based Exercise Biofeedback Systems: System Development and Evaluation
Notice bibliographique
Résumé
BACKGROUND: Biofeedback systems that use inertial measurement units (IMUs) have been shown recently to have the ability to objectively assess exercise technique. However, there are a number of challenges in developing such systems; vast amounts of IMU exercise datasets must be collected and manually labeled for each exercise variation, and naturally occurring technique deviations may not be well detected. One method of combatting these issues is through the development of personalized exercise technique classifiers. OBJECTIVE: We aimed to create a tablet app for physiotherapists and personal trainers that would automate the development of personalized multiple and single IMU-based exercise biofeedback systems for their clients. We also sought to complete a preliminary investigation of the accuracy of such individualized systems in a real-world evaluation. METHODS: A tablet app was developed that automates the key steps in exercise technique classifier creation through synchronizing video and IMU data collection, automatic signal processing, data segmentation, data labeling of segmented videos by an exercise professional, automatic feature computation, and classifier creation. Using a personalized single IMU-based classification system, 15 volunteers (12 males, 3 females, age: 23.8 [standard deviation, SD 1.8] years, height: 1.79 [SD 0.07] m, body mass: 78.4 [SD 9.6] kg) then completed 4 lower limb compound exercises. The real-world accuracy of the systems was evaluated. RESULTS: The tablet app successfully automated the process of creating individualized exercise biofeedback systems. The personalized systems achieved 89.50% (1074/1200) accuracy, with 90.00% (540/600) sensitivity and 89.00% (534/600) specificity for assessing aberrant and acceptable technique with a single IMU positioned on the left thigh. CONCLUSIONS: A tablet app was developed that automates the process required to create a personalized exercise technique classification system. This tool can be applied to any cyclical, repetitive exercise. The personalized classification model displayed excellent system accuracy even when assessing acute deviations in compound exercises with a single IMU.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».