Quantifying Asymmetric Gait Pattern Changes Using a Hidden Markov Model Similarity Measure (HMM-SM) on Inertial Sensor Signals
Notice bibliographique
Résumé
Wearable gait analysis systems using inertial sensors offer the potential for easy-to-use gait assessment in lab and free-living environments. This can enable objective long-term monitoring and decision making for individuals with gait disabilities. This study explores a novel approach that applies a hidden Markov model-based similarity measure (HMM-SM) to assess changes in gait patterns based on the gyroscope and accelerometer signals from just one or two inertial sensors. Eleven able-bodied individuals were equipped with a system which perturbed gait patterns by manipulating stance-time symmetry. Inertial sensor data were collected from various locations on the lower body to train hidden Markov models. The HMM-SM was evaluated to determine whether it corresponded to changes in gait as individuals deviated from their baseline, and whether it could provide a reliable measure of gait similarity. The HMM-SM showed consistent changes in accordance with stance-time symmetry in the following sensor configurations: pelvis, combined upper leg signals, and combined lower leg signals. Additionally, the HMM-SM demonstrated good reliability for the combined upper leg signals (ICC = 0.803) and lower leg signals (ICC = 0.795). These findings provide preliminary evidence that the HMM-SM could be useful in assessing changes in overall gait patterns. This could enable the development of compact, wearable systems for unsupervised gait assessment, without the requirement to pre-identify and measure a set of gait parameters.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».