Smart Total Knee Replacement: Recognition of Activities of Daily Living Using Embedded IMU Sensors and a Novel AI Model in a Cadaveric Proof-of-Concept Study
Notice bibliographique
Résumé
Total knee replacement (TKR) is a reliable treatment for end-stage degenerative conditions of the knee. Patient-reported outcome measures (PROMs) are central to assessing TKR outcomes, but they have limitations. Activities of daily living (ADLs) in the early post-operative period complement PROMs for holistic patient assessment. This study presents a method for capturing ADL parameters from data generated by inertial measurement unit (IMU) devices embedded in TKR prosthesis. A conventional posterior stabilized TKR was modified to create chambers in the femoral and tibial components. The prosthesis was implanted into a cadaver knee and movement was simulated using a hydraulic actuated knee simulator (AMTI, VIVO, MA, USA). A powered IMU device was placed in each of the chambers. The simulator was activated for various ADLs and the generated data was collected wirelessly. The pre-processed data was fed into a novel multimodal deep learning artificial intelligence model created to recognize specific ADL (trained on 70% of the data, with 30% reserved for validation and testing). The model achieved 95.68% overall accuracy, with 100% for sitting, standing, stance, and knee bending. Walking, stair navigation, and jogging showed F1 scores of 0.98, 0.92, 0.91, and 0.89, respectively. This technology enables seamless knee activity recognition and reporting with positive implications for patient-specific rehabilitation protocols.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».