Enhancing Automatic Inertial Sensor Calibration Algorithm for Accurate Joint Angle Estimation in High Flexion Postures
Notice bibliographique
Résumé
Inertial measurement units (IMUs) offer an appealing solution to the measurement of joint kinematics across a wide range of settings; however, the interpretation of their data requires complex alignment between these sensors and the anatomical axes of each joint. This study sought to evaluate the Seel joint axis (SJA) algorithm and the proposed iterative Seel spherical axis (ISSA) extension to this algorithm for sensor-to-segment alignment and the estimation of ankle and hip angles in the sagittal plane during high flexion movements eliciting increased soft tissue movement in the thigh and shank which are commonly adopted occupationally. These algorithms were validated in nine such movements as well as in gait across 50 participants. The mean root-mean-squared error (RMSE) between the ISSA algorithm extension and optical protocols were 6.61° ± 2.96° and 14.64° ± 6.73° for the ankle and hip, respectively. The ISSA algorithm-based estimates, however, demonstrated strong correlations with gold-standard optical-based angles for both joints in all high flexion movements except for moderate correlations reported for the ankle when sitting on a stool or child-sized chair (CCS). The proposed extension to the algorithm is recommended when measuring postures, which may elicit high flexion angles and increased soft tissue movement.
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 ».