Cross-Leg Prediction of Running Kinematics across Various Running Conditions and Drawing from a Minimal Data Set Using a Single Wearable Sensor
Notice bibliographique
Résumé
The feasibility of prediction of same-limb kinematics using a single inertial measurement unit attached to the same limb has been demonstrated using machine learning. This study was performed to see if a single inertial measurement unit attached to the tibia can predict the opposite leg’s kinematics (cross-leg prediction). It also investigated if there is a minimal or smaller data set in a convolutional neural network model to predict lower extremity running kinematics under other running conditions and with what accuracy for the intra- and inter-participant situations. Ten recreational runners completed running exercises under five conditions, including treadmill running at speeds of 2, 2.5, 3, and 3.5 m/s and level-ground running at their preferred speed. A one-predict-all scheme was adopted to determine which running condition could be used to best predict a participant’s overall running kinematics. Running kinematic predictions were performed for intra- and inter-participant scenarios. Among the tested running conditions, treadmill running at 3 m/s was found to be the optimal condition for accurately predicting running kinematics under other conditions, with R2 values ranging from 0.880 to 0.958 and 0.784 to 0.936 for intra- and inter-participant scenarios, respectively. The feasibility of cross-leg prediction was demonstrated but with significantly lower accuracy than the same leg. The treadmill running condition at 3 m/s showed the highest intra-participant cross-leg prediction accuracy. This study proposes a novel, deep-learning method for predicting running kinematics under different conditions on a small training data set.
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 | 0,001 |
| 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 ».