New Gait Representation Maps for Enhanced Recognition in Clinical Gait Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gait analysis is essential in the evaluation of neuromuscular and musculoskeletal disorders; however, traditional approaches based on expert visual observation remain subjective and often lack consistency. Accurate and objective assessment of gait impairments is critical for early diagnosis, monitoring rehabilitation progress, and guiding clinical decision-making. Although Gait Energy Images (GEI) have become widely used in automated, vision-based gait analysis, they are limited in capturing boundary details and time-resolved motion dynamics, both critical for robust clinical interpretation. To overcome these limitations, we introduce four novel gait representation maps: the time-coded gait boundary image (tGBI), color-coded GEI (cGEI), time-coded gait delta image (tGDI), and color-coded boundary-to-image transform (cBIT). These representations are specifically designed to embed spatial, temporal, and boundary-specific features of the gait cycle, and are constructed from binary silhouette sequences through straightforward yet effective transformations that preserve key structural and dynamic information. Experiments on the INIT GAIT dataset demonstrate that the proposed representations consistently outperform the conventional GEI across multiple machine learning models and classification tasks involving different numbers of gait impairment categories (four and six classes). These findings highlight the potential of the proposed approaches to enhance the accuracy and reliability of automated clinical gait analysis.
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.
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 | 0,002 |
| 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 découle