Determining Speed and Stride Length using an Ultrawide Bandwidth Local Positioning System
Notice bibliographique
Résumé
There are many modalities that can profile speed and stride length for runners. One such modality includes using wearable technologies. An example of a wearable technology includes a global positioning system-based wearable. However, due to its limitations, an alternative may include a local positioning system-based wearable operating in the ultrawide bandwidth. Considering that a local positioning system is not good at determining gait events such as heel and step count, applying sensor fusion with an inertial measurement unit may be beneficial. Therefore, the purpose of the dissertation was to compare speed and stride length determined from an ultrawide bandwidth local positioning system equipped with an inertial measurement unit to a criterion standard (i.e. the “gold standard”) such as video motion capture and timing gates. The data suggest that the local positioning system used in the project may not be a valid tool without further processing. Using machine learning algorithms, pertinent features from a gait cycle that can better extract speed and stride length were explored. More specifically, using a stepwise linear regression model first and then using a feedforward neural network proved to be quite successful in estimating stride length. Chapter 1 provides an introduction to the project, Chapter 2 provides a review of relevant literature, Chapter 3 provides an insight into the materials and methods used, Chapter 4 shows the results obtained from the methods described earlier, Chapter 5 is a discussion of the results obtained and Chapter 6 concludes with suggestions regarding next steps that should be taken.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,002 | 0,002 |
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 ».