AI-Driven Slip Detection for Smarter Footwear Testing using Vision Transformers
Notice bibliographique
Résumé
Slips and falls remain significant global health concerns, contributing to injuries, loss of independence, and increasing healthcare costs. Among the primary causes, slipping on icy outdoor surfaces during winter poses a significant risk due to hazardous conditions. The use of slip-resistant footwear has been shown to significantly reduce the incidence of slips and falls. Therefore, in this paper, we aim to enhance footwear slip-resistance testing protocols to ensure more accurate, reliable, and consistent evaluation of footwear slip-resistant performance. We introduced a novel automated slip detection system to overcome the inconsistencies and errors often linked to human observation during human-centered footwear testing. By incorporating AI-based methods, our system eliminated subjective bias and improved the consistency and precision of slip resistance assessments, particularly for winter footwear. This study conducted transfer learning using two pre-trained neural network architectures: Inflated 3D ConvNets (I3D) and Multiscale Vision Transformers Version 2 (MViTv2). The models were trained on 410 walking trials conducted on a controlled icy walkway with adjustable slope angles, ensuring a balanced dataset of both slip and non slip events. The slip detection models were evaluated using 5-Fold and Leave-One-Subject-Out (LOSO) cross-validation techniques. Although the performance difference between the two models was not statistically significant, MViTv2 outperformed I3D with an average accuracy of 90.49% ± 2.93% and 88.80% ± 4.82% for 5-Fold and LOSO, respectively. This model also demonstrated greater consistency in performance compared to I3D. Our findings highlighted the potential of video-based AI models, particularly vision transformers, for precise automated slip detection. The study demonstrated the feasibility of integrating these models into footwear testing protocols, paving the way for improved safety in icy environments.Clinical relevance- Implementing AI-based slip detection in footwear testing protocols can contribute to improved fall prevention strategies, ultimately reducing healthcare costs and enhancing mobility and independence in icy 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».