Knee Joint Biomechanical Gait Data Classification for Knee Pathology Assessment: A Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study is to review the current literature on knee joint biomechanical gait data analysis for knee pathology classification. The review is prefaced by a presentation of the prerequisite knee joint biomechanics background and a description of biomechanical gait pattern recognition as a diagnostic tool. It is postfaced by discussions that highlight the current research findings and future directions. METHODS: The review is based on a literature search in PubMed, IEEE Xplore, Science Direct, and Google Scholar on April 2019. Inclusion criteria admitted articles, written in either English or French, on knee joint biomechanical gait data classification in general. We recorded the relevant information pertaining to the investigated knee joint pathologies, the participants' attributes, data acquisition, feature extraction, and selection used to represent the data, as well as the classification algorithms and validation of the results. RESULTS: Thirty-one studies met the inclusion criteria for review. CONCLUSIONS: The review reveals that the importance of medical applications of knee joint biomechanical gait data classification and recent progress in data acquisition technology are fostering intense interest in the subject and giving a strong impetus to research. The review also reveals that biomechanical data during locomotion carry essential information on knee joint conditions to infer an early diagnosis. This survey paper can serve as a useful informative reference for research on the subject.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle