End-to-End Horse Gait Classification in Uncontrolled Environments Using Inertial Sensors
Notice bibliographique
Résumé
Locomotor injuries in horses are a major cause of underperformance and serious welfare issue. Veterinarians typically investigate horses’ lameness through visual examination at separate gaits (walk, trot, gallop). To evaluate lameness objectively, Inertial Measurement Units (IMU) based systems have been developed. It is necessary to accurately identify the gait of each stride as vertical displacement symmetry is assessed at a defined gait, essentially trot. This study aimed to classify gaits into 6 classes and to assess the training sample size required to maximize the performance. Unlike previous methods, we used raw IMU data without manually preselecting specific signal segments. Seven sensors were strategically placed on the limbs, head, withers, and pelvis of horses. 1440 horses were used in our unsupervised model and the gait of 110 horses was labelled using IMU data for our supervised models. We divided the 6 gaits classification task into two subtasks: a four-gaits classification and a gallop-specific classification. In the first subtask, we compared the performance of a machine learning (XGBoost), a deep learning (LSTM) and a transfer learning (ENCOD-CNN) model, depending on the labelled training sample size. Our results show that the transfer learning approach outperformed the other models, achieving test accuracy of 91.9%. Our gallop classification task achieves 97.1% accuracy and the total pipeline reaches 91.2% accuracy. Beyond improving gait classification in a real clinical setting, this research demonstrates the potential of transfer learning for time-series datasets and provides a quantitative assessment of the required labeled sample size for effective implementation.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».