Rules-Based Real-Time Gait Event Detection Algorithm for Lower-Limb Prosthesis Users during Level-Ground and Ramp Walking
Notice bibliographique
Résumé
Real-time gait event detection (GED) using inertial sensors is important for applications such as remote gait assessments, intelligent assistive devices including microprocessor-based prostheses or exoskeletons, and gait training systems. GED algorithms using acceleration and/or angular velocity signals achieve reasonable performance; however, most are not suited for real-time applications involving clinical populations walking in free-living environments. The aim of this study was to develop and evaluate a real-time rules-based GED algorithm with low latency and high accuracy and sensitivity across different walking states and participant groups. The algorithm was evaluated using gait data collected from seven able-bodied (AB) and seven lower-limb prosthesis user (LLPU) participants for three walking states (level-ground walking (LGW), ramp ascent (RA), ramp descent (RD)). The performance (sensitivity and temporal error) was compared to a validated motion capture system. The overall sensitivity was 98.87% for AB and 97.05% and 93.51% for LLPU intact and prosthetic sides, respectively, across all walking states (LGW, RA, RD). The overall temporal error (in milliseconds) for both FS and FO was 10 (0, 20) for AB and 10 (0, 25) and 10 (0, 20) for the LLPU intact and prosthetic sides, respectively, across all walking states. Finally, the overall error (as a percentage of gait cycle) was 0.96 (0, 1.92) for AB and 0.83 (0, 2.08) and 0.83 (0, 1.66) for the LLPU intact and prosthetic sides, respectively, across all walking states. Compared to other studies and algorithms, the herein-developed algorithm concurrently achieves high sensitivity and low temporal error with near real-time detection of gait in both typical and clinical populations walking over a variety of terrains.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 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 ».