Wearable-based estimation of continuous 3D knee moments during running using a convolutional neural network
Notice bibliographique
Résumé
This study aimed to develop and validate a machine learning method to estimate continuous 3D knee moments during running from wearable sensor data. Reference knee moments were calculated from 19 recreational runners during treadmill running at varying slopes (0 ± 5 % incline), speeds (self-selected ± 1 km/h) and in 3 types of footwear. A convolutional neural network was trained on data from 7 inertial measuring units (feet, shanks, thighs, sacrum) and a pair of pressure insoles. We assessed performance over continuous time windows (CONT) and during stance phases (PHSS) by intraclass-correlation (ICC), normalised root mean squared error (nRMSE), and statistical parametric mapping. The agreement levels in the sagittal plane were good to excellent (ICC: 0.84-0.98), with low errors (nRMSE: 0.05-0.11). However, accuracy was lower for non-sagittal estimations (frontal ICC: 0.19-0.90, nRMSE: 0.08-0.23; transverse ICC: 0.72-0.94, nRMSE: 0.07-0.17). Accuracy decreased across all planes during PHSS. The proposed approach yields similar or better accuracy compared to previous work while requiring less preprocessing. It provides a viable method for wearable-based assessment of running kinetics in near real-time. Additional data and methods to address inter-individual variability could improve its precision in assessing frontal plane injury risk factors.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».