MétaCan
Menu
Retour à la cohorte
Enregistrement W4408770679 · doi:10.3390/s25071976

Influence of Sampling Rate on Wearable IMU Orientation Estimation Accuracy for Human Movement Analysis

2025· article· en· W4408770679 sur OpenAlexaff
Bingfei Fan, Luobin Zhang, Shibo Cai, Mingyu Du, Tao Liu, Qingguo Li, Peter B. Shull

Notice bibliographique

RevueSensors · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueInertial Sensor and Navigation
Établissements canadiensQueen's University
Organismes subventionnairesKey Research and Development Program of Zhejiang ProvinceNational Key Research and Development Program of ChinaNatural Science Foundation of Zhejiang ProvinceNational Natural Science Foundation of China
Mots-clésInertial measurement unitAccelerometerGyroscopeSampling (signal processing)Orientation (vector space)Computer scienceArtificial intelligenceComputer visionMathematicsEngineering

Résumé

récupéré en direct d'OpenAlex

Wearable inertial measurement units (IMUs) have been widely used in human movement analysis outside the laboratory. However, the IMU-based orientation estimation remains challenging, particularly in scenarios involving relatively fast movements. Increased sampling rate has the potential to improve accuracy, but it also increases power consumption and computational complexity. The relationship between sampling frequencies and accuracies remains unclear. We thus investigated the specific influence of IMU sampling frequency on orientation estimation across a spectrum of movement speeds and recommended sufficient sampling rates. Seventeen healthy subjects wore IMUs on their thigh, shank, and foot and performed walking (1.2 m/s) and running (2.2 m/s) trials on a treadmill, and a motion testbed with an IMU was used to mimic high-frequency cyclic human movements up to 3.0 Hz. Four widely used IMU sensor fusion algorithms computed orientations at 10, 25, 50, 100, 200, 400, 800, and 1600 Hz and were compared with marker-based optical motion capture (OMC) orientations to determine accuracy. Results suggest that the sufficient IMU sampling rate for walking is 100 Hz, running is 200 Hz, and high-speed cyclic movements is 400 Hz. The accelerometer sampling rate is less important than the gyroscope sampling rate. Further, accelerometer sampling rates exceeding 100 Hz even resulted in decreased accuracy because excessive orientation updates using distorted accelerations and angular velocity introduced more error than merely using angular velocity. These findings could serve as a foundation to inform wearable IMU development or selection across a spectrum of human gait movement speeds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,023
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,301
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetInertial Sensor and NavigationTravaux en français237 207