Predicting vertical and shear ground reaction forces during walking and jogging using wearable plantar pressure insoles
Notice bibliographique
Résumé
ABSTRACT Background The development of plantar pressure insoles has made them a potential replacement for force plates. These wearable devices can measure multiple steps and might be used outside of the lab environment for rehabilitation and evaluation of sport performance. However, they can only measure the normal force which does not completely represent the vertical ground reaction force (GRF). In addition, they are not able to measure shear forces which play an import role in the dynamic performance of individuals. Indirect approaches might be implemented to improve the accuracy of the force estimated by plantar pressure systems. Research question The aim of this study was to predict the vertical and shear components of ground reaction force from plantar pressure data using recurrent neural networks. Methods GRF and plantar pressure data were collected from sixteen healthy individuals during 10 trials of walking and five trials of jogging using Bertec force plates and FScan plantar pressure insoles. A long short-term memory (LSTM) neural network was built to consider the time dependency of pressure and force data in predictions. The data were split into three subsets of train, to train the LSTM model, evaluate, to optimize the model hyperparameters, and test sets, to assess the accuracy of the model predictions. Results The results of this study showed that our LSTM model could accurately predict the shear and vertical GRF components during walking and jogging. The predictions were more accurate during walking compared to jogging. In addition, the predictions of mediolateral force had higher error and lower correlation compared to vertical and anteroposterior components. Significance The LSTM model developed in this study may be an acceptable option for accurate estimation of GRF during outdoor activities which can have significant impacts in rehabilitation, sport performance, and gaming.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| 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 ».