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 <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$=0.9141$</tex>; RMSE =0.4351) and maintained robust performance across individuals (mean Pearson correlation <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$=0.827$</tex>; RMSE <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$=0.604$</tex>), 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».