Automated Assessment of Dynamic Knee Valgus and Risk of Knee Injury During the Single Leg Squat
Notice bibliographique
Résumé
Many clinical assessment protocols of the lower limb rely on the evaluation of functional movement tests such as the single leg squat (SLS), which are often assessed visually. Visual assessment is subjective and depends on the experience of the clinician. In this paper, an inertial measurement unit (IMU)-based method for automated assessment of squat quality is proposed to provide clinicians with a quantitative measure of SLS performance. A set of three IMUs was used to estimate the joint angles, velocities, and accelerations of the squatting leg. Statistical time domain features were generated from these measurements. The most informative features were used for classifier training. A data set of SLS performed by healthy participants was collected and labeled by three expert clinical raters using two different labeling criteria: "observed amount of knee valgus" and "overall risk of injury". The results showed that both flexion at the hip and knee, as well as hip and ankle internal rotation are discriminative features, and that participants with "poor" squats bend the hip and knee less than those with better squat performance. Furthermore, improved classification performance is achieved for females by training separate classifiers stratified by gender. Classification results showed excellent accuracy, 95.7 % for classifying squat quality as "poor" or "good" and 94.6% for differentiating between high and no risk of injury.
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 ».