Relationships between the number of integrated pressure sensors and step count accuracy using smart insoles
Notice bibliographique
Résumé
Several studies have demonstrated that instrumented insoles enable the quantification of steps taken in people with or without walking limitations. However, the number and location of embedded pressure sensors in an insole vary considerably in the literature, resulting in variable step count accuracies. The objective of this study was to determine optimum locations to consider with a minimum pressure sensors (fewer than 5), without altering the accuracy of step detection. An insole was equipped with five pressure sensors (FSRs) located under the heel (FSRH), the first (FSRM1), the third (FSRM3) and the fifth (FSRM5) metatarsal heads, and the great toe (FSRT). Step detection was based on single or combined pressure signals using a step count algorithm, in twelve healthy people who walked during six-minutes at self-selected comfortable speeds. Results showed that there was a statistically significant difference (F=17.8, p<0.05) between the average step count accuracy of single and combinations from two-to-five pressure signals. The best accuracies per sensor combinations were as follows: FSRM1-FSRM5 (99.0±0.9%), FSRM3-FSRM5-FSRT (99.3±0.7%), FSRH-FSRM3-FSRM5-FSRT (99.5±0.4%) and all five FSRs (99.5±0.4%). For a single pressure signal, the best accuracy was 98.0±2.3% with FSRH. These results suggest that the combination of at least two pressure sensors in the insole can yield an accuracy of 99% for step counting in adult people
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».