Estimating Dynamic Plantar Pressure Distribution from Wearable Inertial Sensors Using a Hybrid CNN-BiLSTM Architecture
Notice bibliographique
Résumé
Purpose Plantar pressure distribution is a crucial indicator in gait analysis, with significant value in clinical diagnoses and sports optimization. Traditional measurement methods, however, are often limited by expensive equipment and laboratory settings. This study aimed to develop an accurate, portable, and cost-effective method using a deep learning model based on data from wearable Inertial Measurement Units to predict comprehensive plantar pressure distributions. Methods This study aims to develop a portable deep learning model based on Inertial Measurement Units data to predict plantar pressure distribution. We propose a model that combines Convolutional Neural Network and Bidirectional Long Short-Term Memory, where Convolutional Neural Network extracts local features from Inertial Measurement Units data, Bidirectional Long Short-Term Memory captures the temporal dependencies of the gait cycle, an attention mechanism optimizes the prediction of key time steps, and body weight information is integrated to accommodate individual differences. Results Experimental results show that in 10-fold cross-validation, the model achieves a Mean Squared Error of 0.98 and a Structural Similarity Index of 0.89, demonstrating excellent prediction accuracy and distribution similarity. Conclusions This study provides a cost-effective method for plantar pressure analysis, which is expected to be integrated into wearable devices for real-time gait monitoring, with applications in rehabilitation and sports optimization.
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 | 0,000 | 0,000 |
| 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 ».