Fatigue Monitoring in Running Using Flexible Textile Wearable Sensors
Notice bibliographique
Résumé
Fatigue is a multifunctional and complex phenomenon that affects how individuals perform an activity. Fatigue during running causes changes in normal gait parameters and increases the risk of injury. To address this problem, wearable sensors have been proposed as an unobtrusive and portable system to measure changes in human movement as a result of fatigue. Recently, a category of wearable devices that has gained attention is flexible textile strain sensors because of their ability to be woven into garments to measure kinematics. This study uses flexible textile strain sensors to continuously monitor the kinematics during running and uses a machine learning approach to estimate the level of fatigue during running. Five female participants used the sensor-instrumented garment while running to a state of fatigue. In addition to the kinematic data from the flexible textile strain sensors, the perceived level of exertion was monitored for each participant as an indication of their actual fatigue level. A stacked random forest machine learning model was used to estimate the perceived exertion levels from the kinematic data. The machine learning algorithm obtained a root mean squared value of 0.06 and a coefficient of determination of 0.96 in participant-specific scenarios. This study highlights the potential of flexible textile strain sensors to objectively estimate the level of fatigue during running by detecting slight perturbations in lower extremity kinematics. Future iterations of this technology may lead to real-time biofeedback applications that could reduce the risk of running-related overuse injuries.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».