Artificial intelligence in lower limb joint moment prediction during typically developed gait: A systematic review and multilevel random-effects meta-analysis
Notice bibliographique
Résumé
Objective Artificial intelligence (AI) methods have been widely applied in gait analysis, yet quantitative comparisons across models and their input–output specifications remain limited. This study aims to systematically review and synthesize the existing literature to evaluate the effectiveness of AI methods in predicting lower limb joint moments during typically developed (TD) gait. Methods Relevant studies published before July 1, 2025, were retrieved from five databases (PubMed, Scopus, IEEE Xplore, ScienceDirect, and Web of Science) using Boolean logic operations and were screened according to predefined criteria. Risk of bias and applicability were assessed with PROBAST. Meta-analyses were performed in R using a multilevel random-effects model to examine differences in predictive performance across AI model group, signal input type, and output joints. Results Eleven studies involving 371 TD participants met the inclusion criteria. Deep neural networks (DNN) showed the best performance for R 2 (0.88, 95%CI 0.52-1.24), while traditional machine learning (ML) models demonstrated relative superiority for nRMSE (0.11, 95%CI − 0.06-0.29). Among input types, surface EMG (sEMG) achieved the highest R 2 (0.96, 95%CI 0.04-1.89), whereas all inputs except “kinematic and speed and anthropometrics” performed well in the nRMSE analysis. For output joints, the ankle was significantly superior to both the knee ( p < 0.001) and the hip ( p < 0.001) in terms of R 2 and nRMSE. Conclusion AI methods can effectively predict lower limb joint moments during TD gait, but differences exist across model group, input type, and output joints. DNN show advantages in fitting complex data, while traditional ML demonstrates greater robustness in small-sample settings. The sEMG, as a process-related input, exhibits high potential, and predictions for the ankle joint are generally superior. Future studies should expand sample size, explore multimodal inputs and advanced modeling strategies, and further validate the applicability of AI methods in pathological gait.
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 | 0,021 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,030 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».