Wrist-to-Back Signal Reconstruction for Real-World Gait Monitoring via Frequency-Domain Modelling
Notice bibliographique
Résumé
Wearable accelerometers are commonly used for gait analysis in healthcare and rehabilitation, providing objective, continuous, real-world data. While lower-back sensors are widely used for capturing gait features, however, their long-term use is limited by discomfort and impracticality. Wrist-worn sensors are more user-friendly but less accurate for specific gait metrics. This study presents a novel, proof-ofconcept method to reconstruct lower-back accelerometer signals using only wrist-based data, via a frequency-domain transfer function approach. Using a two-day naturalistic, freeliving dataset from multiple participants wearing accelerometers on both the wrist and lower back, gait bouts were detected and clustered to extract representative gait cycles. A spectral transfer function modelled the wrist-lower back relationship. The proposed method achieved high intraindividual accuracy (Pearson correlation$=0.9141$; RMSE =0.4351) and maintained robust performance across individuals (mean Pearson correlation$=0.827$; RMSE$=0.604$), demonstrating its potential to generalize across demographic variability. Unlike prior deep learning-based models, our approach is interpretable, computationally efficient, and does not require large training datasets, making it well-suited for real-world applications. These findings highlight the feasibility of replacing Lower back sensors with wrist-worn devices, making it suitable for long-term, passive gait monitoring in clinical and consumer health applications.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».