Prediction of continuous and discrete kinetic parameters in horses from inertial measurement units data using recurrent artificial neural networks
Notice bibliographique
Résumé
Abstract Vertical ground reaction force (GRFz) measurements are the best tool for assessing horses' weight-bearing lameness. However, collection of these data is often impractical for clinical use. This study evaluates GRFz predicted using data from body-mounted IMUs and long short-term memory recurrent neural networks (LSTM-RNN). Twenty-four clinically sound horses, equipped with IMUs on the upper-body (UB) and each limb, walked and trotted on a GRFz measuring treadmill (TiF). Both systems were time-synchronised. Data from randomly selected 16, 4, and 4 horses formed training, validation, and test datasets, respectively. LSTM-RNN with different input sets (All, Limbs, UB, Sacrum, or Withers) were trained to predict GRFz curves or peak-GRFz. Our models could predict GRFz shapes at both gaits with RMSE below 0.40 N.kg−1. The best peak-GRFz values were obtained when extracted from the predicted curves by the all dataset. For both GRFz curves and peak-GRFz values, predictions made with the All or UB datasets were systematically better than with the Limbs dataset, showing the importance of including upper-body kinematic information for kinetic parameters predictions. More data should be gathered to confirm the usability of LSTM-RNN for GRFz predictions, as they highly depend on factors like speed, gait, and the presence of weight-bearing lameness.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».