A Wearable Gait Phase Detection System Based on Force Myography Techniques
Notice bibliographique
Résumé
(1) Background: Quantitative evaluation of gait parameters can provide useful information for constructing individuals’ gait profile, diagnosing gait abnormalities, and better planning of rehabilitation schemes to restore normal gait pattern. Objective determination of gait phases in a gait cycle is a key requirement in gait analysis applications; (2) Methods: In this study, the feasibility of using a force myography-based technique for a wearable gait phase detection system is explored. In this regard, a force myography band is developed and tested with nine participants walking on a treadmill. The collected force myography data are first examined sample-by-sample and classified into four phases using Linear Discriminant Analysis. The gait phase events are then detected from these classified samples using a set of supervisory rules; (3) Results: The results show that the force myography band can correctly detect more than 99.9% of gait phases with zero insertions and only four deletions over 12,965 gait phase segments. The average temporal error of gait phase detection is 55.2 ms, which translates into 2.1% error with respect to the corresponding labelled stride duration; (4) Conclusions: This proof-of-concept study demonstrates the feasibility of force myography techniques as viable solutions in developing wearable gait phase detection systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».