Hidden Markov model-based similarity measure (HMM-SM) for gait quality assessment of lower-limb prosthetic users using inertial sensor signals
Notice bibliographique
Résumé
BACKGROUND: Gait quality indices, such as the Gillette Gait Index or Gait Profile Score (GPS), can provide clinicians with objective, straightforward measures to quantify gait pathology and monitor changes over time. However, these methods often require motion capture or stationary gait analysis systems, limiting their accessibility. Inertial sensors offer a portable, cost-effective alternative for gait analysis. This study aimed to evaluate a novel hidden Markov model-based similarity measure (HMM-SM) for assessing gait quality directly from gyroscope and accelerometer data captured by inertial sensors. METHODS: Walking trials were conducted with 26 lower-limb prosthetic users and 30 able-bodied individuals, using inertial sensors placed at various lower body locations. We computed the HMM-SM score along with other established inertial sensor-based methods, including the Movement Deviation Profile, Dynamic Time Warping, IMU-based Gait Normalcy Index, and Multifeature Gait Score. Spearman correlations with the GPS, a validated measure of gait quality, were assessed, as well as correlations among the inertial sensor methods. Welch's t-tests were used to evaluate the ability to distinguish between prosthetic subgroups. RESULTS: The HMM-SM and other inertial sensor-based methods demonstrated moderate-to-strong correlations with the GPS (0.49 <|r|< 0.77 for significant correlations). Comparisons between different measures highlighted key similarities and differences, both in correlations and in their ability to differentiate between subgroups. Overall, the pelvis and lower leg sensors achieved significant correlations and outperformed the upper leg sensors, which did not achieve significant correlations with the GPS for any of the signal-based measures. CONCLUSION: Results suggest inertial sensors located at the pelvis and lower leg provide valid markers for monitoring overall gait quality, offering the potential to develop nonobtrusive, wearable systems to facilitate long-term monitoring. Such systems could enhance rehabilitation by enabling continuous gait assessment that can be easily integrated in clinical and everyday settings.
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 | 0,001 | 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) | 0,000 | 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 ».