Estimation of Ankle Joint Power during Walking Using Two Inertial Sensors
Notice bibliographique
Résumé
(1) Background: Ankle joint power, as an indicator of the ability to control lower limbs, is of great relevance for clinical diagnosis of gait impairment and control of lower limb prosthesis. However, the majority of available techniques for estimating joint power are based on inverse dynamics methods, which require performing a biomechanical analysis of the foot and using a highly instrumented environment to tune the parameters of the resulting biomechanical model. Such techniques are not generally applicable to real-world scenarios in which gait monitoring outside of the clinical setting is desired. This paper proposes a viable alternative to such techniques by using machine learning algorithms to estimate ankle joint power from data collected by two miniature inertial measurement units (IMUs) on the foot and shank, (2) Methods: Nine participants walked on a force-plate-instrumented treadmill wearing two IMUs. The data from the IMUs were processed to train and test a random forest model to estimate ankle joint power. The performance of the model was then evaluated by comparing the estimated power values to the reference values provided by the motion tracking system and the force-plate-instrumented treadmill. (3) Results: The proposed method achieved a high accuracy with the correlation coefficient, root mean square error, and normalized root mean square error of 0.98, 0.06 w/kg, and 1.05% in the intra-subject test, and 0.92, 0.13 w/kg, and 2.37% in inter-subject test, respectively. The difference between the predicted and true peak power values was 0.01 w/kg and 0.14 w/kg with a delay of 0.4% and 0.4% of gait cycle duration for the intra- and inter-subject testing, respectively. (4) Conclusions: The results of this study demonstrate the feasibility of using only two IMUs to estimate ankle joint power. The proposed technique provides a basis for developing a portable and compact gait monitoring system that can potentially offer monitoring and reporting on ankle joint power in real-time during activities of daily living.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».