Evaluating the Influence of Sensor Configuration and Hyperparameter Optimization on Wearable-Based Knee Moment Estimation During Running
Notice bibliographique
Résumé
Abstract Wearable sensors combined with machine learning (ML) offer a promising approach for estimating joint kinetics in real-world settings, with potential applications in athlete monitoring and injury prevention. However, the variety of sensor configurations in previous studies complicates comparisons and optimal configuration selection. This study compared different wearable sensor configurations, comprising inertial measurement units (IMUs) and pressure insoles (PIs), to determine their influence on the accuracy of ML – based predictions of 3D knee moments during running. Sensor configurations ranged from one to four IMUs, with and without PIs. The dataset consisted of wearable and ground truth knee moment data from 19 recreational runners during treadmill running. Model performance of the convolutional neural networks was evaluated on an independent test set. Hyperparameter optimization (HPO) was applied to refine model architectures and training parameters. Performance gains by PIs and a greater number of IMUs were small but significant. The results after HPO confirmed similar performances between single- and multi-sensor configurations, suggesting only small benefits from additional sensors. Our findings highlight that both sensor configuration and model optimization play critical roles in achieving optimal performance. We provide practical recommendations for sensor selection, balancing accuracy and feasibility, to enable biomechanical assessments in real-world environments.
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 | 0,000 |
| 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 ».