New Considerations for Collecting Biomechanical Data Using Wearable Sensors: The Effect of Different Running Environments
Notice bibliographique
Résumé
Traditionally, running biomechanics analyses have been conducted using 3D motion capture during treadmill or indoor overground running. However, most runners complete their runs outdoors. Since changes in running terrain have been shown to influence running gait mechanics, the purpose of this study was to use a machine learning approach to objectively determine relevant accelerometer-based features to discriminate between running patterns in different environments and determine the generalizability of observed differences in running patterns. Center of mass accelerations were recorded for recreational runners in treadmill-only (n=28) and sidewalk-only (n=25) environments, and an independent group (n=16) ran in both treadmill and sidewalk environments. A feature selection algorithm was used to develop a training dataset from treadmill-only and sidewalk-only running. A binary support vector machine model was trained to classify treadmill and sidewalk running. Classification accuracy was determined using 10-fold cross-validation of the training dataset and an independent testing dataset from the runners that ran in both environments. Nine features related to the consistency and variability of center of mass accelerations were selected. Specifically, there was greater ratio of vertical acceleration during treadmill running and a greater ratio of anterior-posterior acceleration during sidewalk running in both the training and testing dataset. Step and stride regularity were significantly greater in the treadmill condition for the vertical axis in both the training and testing dataset, and in the medial-lateral axis for the testing dataset. During sidewalk running, there was significantly greater variability in the magnitude of the vertical and anterior-posterior accelerations for both datasets. The classification accuracy based on 10-fold cross-validation of the training dataset (M=93.17%, SD=2.43%) was greater than the classification accuracy of the independent testing dataset (M=83.81%, SD=3.39%). This approach could be utilized in future analyses to identify relevant differences in running patterns using wearable technology.
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 | 0,012 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».