Design and Accuracy of an Instrumented Insole Using Pressure Sensors for Step Count
Notice bibliographique
Résumé
Despite the accessibility of several step count measurement systems, count accuracy in real environments remains a major challenge. Microelectromechanical systems and pressure sensors seem to present a potential solution for step count accuracy. The purpose of this study was to equip an insole with pressure sensors and to test a novel and potentially more accurate method of detecting steps. Methods: Five force-sensitive resistors (FSR) were integrated under the heel, the first, third, and fifth metatarsal heads and the great toe. This system was tested with twelve healthy participants at self-selected and maximal walking speeds in indoor and outdoor settings. Step counts were computed based on previously reported calculation methods, individual and averaged FSR-signals, and a new method: cumulative sum of all FSR-signals. These data were compared to a direct visual step count for accuracy analysis. Results: This system accurately detected steps with success rates ranging from 95.5 ± 3.5% to 98.5 ± 2.1% (indoor) and from 96.5 ± 3.9% to 98.0 ± 2.3% (outdoor) for self-selected walking speeds and from 98.1 ± 2.7% to 99.0 ± 0.7% (indoor) and 97.0 ± 6.2% to 99.4 ± 0.7% (outdoor) for maximal walking speeds. Cumulative sum of pressure signals during the stance phase showed high step detection accuracy (99.5 ± 0.7%–99.6 ± 0.4%) and appeared to be a valid method of step counting. Conclusions: The accuracy of step counts varied according to the calculation methods, with cumulative sum-based method being highly accurate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».