MétaCan
Menu
Retour à la cohorte
Enregistrement W2998471726 · doi:10.3390/s20010229

Allumo: Preprocessing and Calibration Software for Wearable Accelerometers Used in Posture Tracking

2019· article· en· W2998471726 sur OpenAlexafffund
Alexis Fortin-Côté, Jean‐Sébastien Roy, Laurent J. Bouyer, Philip L. Jackson, Alexandre Campeau‐Lecours

Notice bibliographique

RevueSensors · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueInertial Sensor and Navigation
Établissements canadiensUniversité LavalCentre for Interdisciplinary Research in Rehabilitation
Organismes subventionnairesCanada First Research Excellence Fund
Mots-clésAccelerometerCalibrationSoftwareOrientation (vector space)Computer scienceWearable computerSoftware portabilityPreprocessorInertial measurement unitUsabilityMotion captureVisualizationSimulationArtificial intelligenceEmbedded systemHuman–computer interactionMotion (physics)

Résumé

récupéré en direct d'OpenAlex

Inertial measurement units have recently shown great potential for the accurate measurement of joint angle movements in replacement of motion capture systems. In the race towards long duration tracking, inertial measurement units increasingly aim to ensure portability and long battery life, allowing improved ecological studies. Their main advantage over laboratory grade equipment is their usability in a wider range of environment for greater ecological value. For accurate and useful measurements, these types of sensors require a robust orientation estimation that remains accurate over long periods of time. To this end, we developed the Allumo software for the preprocessing and calibration of the orientation estimate of triaxial accelerometers. This software has an automatic orientation calibration procedure, an automatic erroneous orientation-estimate detection and useful visualization to help process long and short measurement periods. These automatic procedures are detailed in this paper, and two case studies are presented to showcase the usefulness of the software. The Allumo software is open-source and available online.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,320
Score d'incertitude au seuil0,367

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,225
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetInertial Sensor and NavigationTravaux en français237 207