Inertial Sensor Location for Ground Reaction Force and Gait Event Detection Using Reservoir Computing in Gait
Notice bibliographique
Résumé
Inertial measurement units (IMUs) have shown promising outcomes for estimating gait event detection (GED) and ground reaction force (GRF). This study aims to determine the best sensor location for GED and GRF prediction in gait using data from IMUs for healthy and medial knee osteoarthritis (MKOA) individuals. In this study, 27 healthy and 18 MKOA individuals participated. Participants walked at different speeds on an instrumented treadmill. Five synchronized IMUs (Physilog®, 200 Hz) were placed on the lower limb (top of the shoe, heel, above medial malleolus, middle and front of tibia, and on medial of shank close to knee joint). To predict GRF and GED, an artificial neural network known as reservoir computing was trained using combinations of acceleration signals retrieved from each IMU. For GRF prediction, the best sensor location was top of the shoe for 72.2% and 41.7% of individuals in the healthy and MKOA populations, respectively, based on the minimum value of the mean absolute error (MAE). For GED, the minimum MAE value for both groups was for middle and front of tibia, then top of the shoe. This study demonstrates that top of the shoe is the best sensor location for GED and GRF prediction.
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 | 0,002 | 0,000 |
| 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) | 0,000 | 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 ».