Estimating Lower Extremity Running Gait Kinematics with a Single Accelerometer: A Deep Learning Approach
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
Abnormal running kinematics are associated with an increased incidence of lower extremity injuries among runners. Accurate and unobtrusive running kinematic measurement plays an important role in the detection of gait abnormalities and the prevention of injuries among runners. Inertial-based methods have been proposed to address this need. However, previous methods require cumbersome sensor setup or participant-specific calibration. This study aims to validate a shoe-mounted accelerometer for sagittal plane lower extremity angle measurement during running based on a deep learning approach. A convolutional neural network (CNN) architecture was selected as the regression model to generalize in inter-participant scenarios and to minimize poorly estimated joints. Motion and accelerometer data were recorded from ten participants while running on a treadmill at five different speeds. The reference joint angles were measured by an optical motion capture system. The CNN model predictions deviated from the reference angles with a root mean squared error (RMSE) of less than 3.5° and 6.5° in intra- and inter-participant scenarios, respectively. Moreover, we provide an estimation of six important gait events with a mean absolute error of less than 2.5° and 6.5° in intra- and inter-participants scenarios, respectively. This study highlights an appealing minimal sensor setup approach for gait analysis purposes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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