Comparison between Accelerometer and Gyroscope in Predicting Level-Ground Running Kinematics by Treadmill Running Kinematics Using a Single Wearable Sensor
Notice bibliographique
Résumé
Wearable sensors facilitate running kinematics analysis of joint kinematics in real running environments. The use of a few sensors or, ideally, a single inertial measurement unit (IMU) is preferable for accurate gait analysis. This study aimed to use a convolutional neural network (CNN) to predict level-ground running kinematics (measured by four IMUs on the lower extremities) by using treadmill running kinematics training data measured using a single IMU on the anteromedial side of the right tibia and to compare the performance of level-ground running kinematics predictions between raw accelerometer and gyroscope data. The CNN model performed regression for intraparticipant and interparticipant scenarios and predicted running kinematics. Ten recreational runners were recruited. Accelerometer and gyroscope data were collected. Intraparticipant and interparticipant R2 values of actual and predicted running kinematics ranged from 0.85 to 0.96 and from 0.7 to 0.92, respectively. Normalized root mean squared error values of actual and predicted running kinematics ranged from 3.6% to 10.8% and from 7.4% to 10.8% in intraparticipant and interparticipant tests, respectively. Kinematics predictions in the sagittal plane were found to be better for the knee joint than for the hip joint, and predictions using the gyroscope as the regressor were demonstrated to be significantly better than those using the accelerometer as the regressor.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».