Underfoot Pressure-Based Left and Right Foot Classification Algorithms: The Impact of Footwear
Notice bibliographique
Résumé
High-resolution plantar pressure recordings have the potential to be used in gait biometrics, biomechanics, and clinical gait analysis. To accurately assess side-specific patterns and asymmetries, it is essential to differentiate between left and right steps, which can be challenging when manual labeling is not feasible and shoe type can vary. This research aimed to create and evaluate the performance of six distinct algorithms (two inspired by existing literature and four novel ones) that take advantage of spatial and temporal features combined with basic decision rules, machine learning, and deep learning to automatically classify left and right footsteps from underfoot pressure recordings, taking into account difficulties associated with footwear variability. A collection of more than 20,000 footsteps from 20 people and 41 different types of shoes was used to assess the six proposed classification algorithms. The results demonstrate that classification techniques based on spatial representations (peak pressure or binary images of footsteps) are more effective than those based on center-of-pressure (COP) time series. The most successful approach, which compares the area of the sole in different parts of the midfoot and forefoot, achieved an accuracy of 99.7% in determining left and right footsteps, with a convolutional neural network (CNN) algorithm at a close second (99.4%). These techniques were found to be robust to many types of footwear and may be valuable for a variety of practical, community-based gait classification tasks.
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 | 0,000 |
| 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 ».