A wearable real-time kinetic measurement sensor setup for human locomotion
Notice bibliographique
Résumé
Abstract Current laboratory-based setups (optical marker cameras + force plates) for human motion measurement require participants to stay in a constrained capture region which forbids rich movement types. This study established a fully wearable system, based on commercially available sensors (inertial measurement units + pressure insoles), that can measure both kinematic and kinetic motion data simultaneously and support wireless frame-by-frame streaming. In addition, its capability and accuracy were tested against a conventional laboratory-based setup. An experiment was conducted, with 9 participants wearing the wearable measurement system and performing 13 daily motion activities, from slow walking to fast running, together with vertical jump, squat, lunge, and single-leg landing, inside the capture space of the laboratory-based motion capture system. The recorded sensor data were post-processed to obtain joint angles, ground reaction forces (GRFs), and joint torques (via multi-body inverse dynamics). Compared to the laboratory-based system, the established wearable measurement system can measure accurate information of all lower limb joint angles (Pearson’s r = 0.929), vertical GRFs (Pearson’s r = 0.954), and ankle joint torques (Pearson’s r = 0.917). Center of pressure (CoP) in the anterior–posterior direction and knee joint torques were fairly matched (Pearson’s r = 0.683 and 0.612, respectively). Calculated hip joint torques and measured medial–lateral CoP did not match with the laboratory-based system (Pearson’s r = 0.21 and 0.47, respectively). Furthermore, both raw and processed datasets are openly accessible ( https://doi.org/10.5281/zenodo.6457662 ). Documentation, data processing codes, and guidelines to establish the real-time wearable kinetic measurement system are also shared ( https://github.com/HuaweiWang/WearableMeasurementSystem ).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».