Monitoring wheelchair propulsion patterns: feasibility and validity of using wearable sensors
Notice bibliographique
Résumé
Currently, there is a need to understand the characteristics of manual wheelchair propulsion patterns in the daily life of users and the impact of these patterns on repetitive strain injury of the shoulders. This study aimed to develop a method for remote and long-term monitoring of wheelchair propulsion techniques. We used a hand-mounted inertial measurement unit (IMU) to identify propulsion patterns in manual wheelchair users. IMU data was collected from 12 participants (7 males and 5 females), including 8 experienced and 4 inexperienced manual wheelchair users. We applied continuous wavelet transform (CWT) for feature extraction and used Support Vector Machine (SVM) and Multilayer Perceptron (MLP) Neural Network for pattern classification. SVM with a linear kernel achieved 89% accuracy, 78% F1-score, 78% precision, and 78% recall. SVM with a polynomial kernel achieved 94% accuracy, 88% F1-score, 88% precision, and 89% recall, while the MLP reached 95% accuracy, 89% F1-score, 89% precision, and 89% recall. Neither the participants’ wheelchair experience nor their gender significantly affected the performance of the classifiers. These findings suggest that the proposed IMU and propulsion patterns classification method can be used across different user profiles for remote and long-term monitoring of wheelchair propulsion patterns to better understand shoulder overuse risk in daily life.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».