Toward a Wearable Gait Lab for Quantitative Assessment of Musculoskeletal Function
Notice bibliographique
Résumé
Understanding a person's musculoskeletal function, which involves assessing the mechanical forces exerted by individual muscles and the resulting joint torques, is crucial for comprehending movement mechanisms and designing effective training and rehabilitation strategies. In the case of neurologically impaired individuals like stroke survivors, the primary rehabilitation goal is to restore locomotion function, significantly impacting their quality of life. In clinical settings, swiftly measuring the forces produced by individual muscles in a quantitative and non-invasive manner is challenging. Musculoskeletal assessment often relies on fast, standardized observational tools for qualitative evaluations of endurance and functional capability. Alternatively, fully equipped laboratories with multiple sensors provide quantitative evaluations of musculoskeletal performance at the joint and muscle levels, but this comes at the cost of time and complexity. Unfortunately, neither approach efficiently combines simplicity, rapidity, and quantitative evidence of muscle strength, essential requirements in standard clinical rehabilitation. This work aims to obtain rapid and quantitative measures of musculoskeletal function by combining wearable sensors, advanced musculoskeletal modeling, and signal-processing techniques. Three studies systematically reveal key aspects for developing a smart wearable tool. Firstly, we introduce a fully automated muscle localization algorithm to eliminate manual labor in identifying muscle sites. We combine such techniques with an EMG-sensorized leg garment and an EMG-driven model for the estimation of dorsi-plantar flexion ankle torque during a variety of dynamic tasks performed by healthy participants. The pipeline is then enhanced to generalize across different anatomies and neuromuscular control strategies of healthy participants and post-stroke individuals. A novel EMG-equipped garment and improved muscle localization algorithm are introduced. Lastly, laboratory-based technologies are replaced with five IMU sensors, enabling a fully wearable technology for non-invasive estimation of musculoskeletal parameters. In conclusion, this dissertation demonstrates that wearable and automated technologies offer a viable alternative to standard laboratory techniques, potentially saving experimental time crucial in clinical settings. These technologies could facilitate the use of advanced EMG-driven modeling pipelines in clinics, as well as in recreational and occupational domains.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 ».