Bridging the Methodological Gap Between Inertial Sensors and Optical Motion Capture: Deep Learning as the Path to Accurate Joint Kinematic Modelling Using Inertial Sensors
Notice bibliographique
Résumé
As advancements in inertial measurement units (IMUs) for motion analysis progress, the inability to directly apply decades of research-based optical motion capture (OMC) methodologies presents a significant challenge. This study aims to bridge this gap by proposing an innovative deep learning approach to predict marker positions from IMU data, allowing traditional OMC-based calculations to estimate joint kinematics. Eighteen participants walked on a treadmill with seven IMUs and retroreflective markers. Trials were divided into normalized gait cycles (101 frames), and an autoencoder network with a custom Biomech loss function was used to predict 16 marker positions from IMU data. The model was validated using the leave-one-subject-out method and assessed using root mean squared error (RMSE). Joint angles in the sagittal plane were calculated using OMC methods, and RMSE was computed with and without alignment using dynamic time warping (DTW). The models were also tested on external datasets. Marker predictions achieved RMSE values of 2-4 cm, enabling joint angle predictions with 4-7° RMSE without alignment and 2-4° RMSE after DTW for sagittal plane joint angles (ankle, knee, hip). Validation using separate and open-source datasets confirmed the model's generalizability, with similar RMSE values across datasets (4-7° RMSE without DTW and 2-4° with DTW). This study demonstrates the feasibility of applying conventional biomechanical models to IMUs, enabling accurate movement analysis and visualization outside controlled environments. This approach to predicting marker positions helps to bridge the gap between IMUs and OMC systems, enabling decades of research-based biomechanical methodologies to be applied to IMU data.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».