Reconstructing Walking Dynamics From Two Shank-Mounted Inertial Measurement Units
Notice bibliographique
Résumé
Inertial measurement unit (IMU)-based sensing systems have received extensive attention for wearable gait measurement due to their small size, low price, and high accuracy. However, reconstructing walking dynamics usually requires a large number of sensor units attached to major body segments, which is generally not suitable for daily-life scenarios. Previous studies showed that two shank-mounted IMUs can detect gait events and estimate many important gait parameters. However, it is unclear whether this simple two-IMU system can be used to reconstruct walking dynamics. In this article, we propose a two-stage method for predicting walking dynamics from measurements of two shank-mounted IMUs. Displacements of ankle joints and shank angles are first estimated from the IMU outputs. Then, a model-based whole-step optimization approach is used to solve the gait dynamics by tracking the estimated shank motion. The proposed method is validated with both normal and asymmetric walking data, achieving a root-mean-square error of 5.3°, 6.1°, and 6.8° in the hip, knee, and ankle joint angle estimation and 3.9% and 12.2% body weight in the fore-aft and vertical ground reaction force estimation. Comparing with the reported results in the literature, the number of IMUs is significantly reduced with similar accuracy. This implies that gait dynamic information may be estimated from very limited measurements and the inherent gait characteristics can be used to reconstruct gait dynamics from the motion of a small number of segments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».