Assessment of Gait Pattern Changes in Lower Limb Amputees Using Inertial Sensor Signals: An Alternative to Gait Parameter Measurement
Notice bibliographique
Résumé
Effective gait monitoring and rehabilitation are essential for improving the quality of life in individuals with disabilities. Inertial sensors have the potential to enable long-term gait monitoring and assessment beyond the clinical setting. However, developing minimally intrusive systems that accommodate a wide range of gait deviations remains challenging. This study investigated an alternative to traditional approaches of using gait parameters for gait assessment, to evaluate whether changes in the overall gait patterns of lower-limb prosthetic users could be assessed by directly analyzing gyroscope and accelerometer data from inertial sensors. Eleven lower-limb prosthetic users completed walk trials with a biofeedback system designed to perturb gait patterns, while an additional twelve completed a gait training session with a physiotherapist. Inertial sensors were affixed at various locations along the lower body to collect gyroscope and accelerometer data. Three algorithms were evaluated: a hidden Markov model-based similarity measure (HMM-SM), self-organizing maps, and dynamic time warping. Statistical analyses demonstrated that self-organizing maps and dynamic time warping effectively assessed changes in gait patterns under a variety of gait perturbation strategies, with sensors located on the upper legs and lower legs significantly outperforming the pelvis location overall. The findings suggest the potential for wearable and adaptable gait monitoring systems capable of assessing changes in gait patterns. These systems could enable precise gait monitoring and real-time therapeutic intervention in real-world settings, offering a promising tool for long-term rehabilitation.
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 | 0,001 | 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 ».