Gait Phase Detection in Walking and Stairs Using Machine Learning
Notice bibliographique
Résumé
Machine learning-based activity and gait phase recognition algorithms are used in powered motion assistive devices to inform control of motorized components. The objective of this study was to develop a supervised multiclass classifier to simultaneously detect activity and gait phase (stance, swing) in real-world walking, stair ascent, and stair descent using inertial measurement data from the thigh and shank. The intended use of this algorithm was for control of a motion assistive device local to the knee. Using data from 80 participants, two decision trees and five long short-term memory (LSTM) models that each used different feature sets were initially tested and evaluated using a novel performance metric: proportion of perfectly classified strides (PPCS). Based on the PPCS of these initial models, five additional posthoc LSTM models were tested. Separate models were developed to classify (i) both activity and gait phase simultaneously (one model predicting six states), and (ii) activity-specific models (three individual binary classifiers predicting stance/swing phases). The superior activity-specific model had an accuracy of 98.0% and PPCS of 55.7%. The superior six-phase model used filtered inertial measurement data as its features and a median filter on its predictions and had an accuracy of 92.1% and PPCS of 22.9%. Pooling stance and swing phases from all activities and treating this model as a binary classifier, this model had an accuracy of 97.1%, which may be acceptable for real-world lower limb exoskeleton control if only stance and swing gait phases must be detected. Keywords: machine learning, deep learning, inertial measurement unit, activity recognition, gait.
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 | 0,001 | 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 | 0,001 |
| 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 ».