Gait Speed and Task Specificity in Predicting Lower-Limb Kinematics: A Deep Learning Approach Using Inertial Sensors
Notice bibliographique
Résumé
Objective: To develop a deep learning framework to predict lower-limb joint kinematics from inertial measurement unit (IMU) data across multiple gait tasks (walking, jogging, and running) and evaluate the impact of dynamic time warping (DTW) on reducing prediction errors. Patients and Methods: Data were collected from 18 participants fitted with IMUs and an optical motion capture system between May 25, 2023, and May 30, 2023. A long short-term memory autoencoder supervised regression model was developed. The model consisted of multiple long short-term memory and convolution layers. Acceleration and gyroscope data from the IMUs in 3 axes and their magnitude for the proximal and distal sensors of each joint (hip, knee, and ankle) were inputs to the model. Optical motion capture kinematics were considered ground truth and used as an output to train the prediction model. Results: The deep learning models achieved a root-mean-square error of less than 6° for hip, knee, and ankle joint sagittal plane angles, with the ankle showing the lowest error (5.1°). Task-specific models reported enhanced performance during certain gait phases, such as knee flexion during running. The application of DTW significantly reduced root-mean-square error across all tasks by at least 3° to 4°. External validation of independent data confirmed the model's generalizability. Conclusion: Our findings underscore the potential of IMU-based deep learning models for joint kinematic predictions, offering a practical solution for remote and continuous biomechanical assessments in health care and sports science.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».