Gait Pattern and Gait Quality Assessment for Individuals with Lower-Limb Disabilities using Machine Learning and Inertial Sensor Data
Notice bibliographique
Résumé
Effective rehabilitation and gait monitoring are essential for helping individuals with gait disabilities to improve movement and quality of life. Despite advancements in wearable gait analysis technology, clinical practice still relies heavily on observational methods, and practical adoption of these technologies remains limited. This thesis investigates machine learning approaches for inertial sensor data, to develop clinically relevant gait analysis methods and address barriers to adoption of gait analysis technology. This research was comprised of four objectives. Objectives 1-3 explored machine learning models to assess relative changes in an individual’s gait patterns by directly analyzing accelerometer and gyroscope signals from inertial sensors. Objective 1 demonstrated that raw time-series data from a single gyroscope could be used to detect meaningful changes following a single physiotherapist-led training session. Results showed high classification accuracy for individuals with significant changes in clinically identified gait parameters. Objectives 2 and 3 investigated unsupervised approaches to assess multiple levels of change in gait patterns using gyroscope and accelerometer signals, addressing gaps in current classification and supervised learning approaches. Objective 2 explored using a hidden Markov model-based similarity measure (HMM-SM) to assess change in able-bodied gait patterns, achieving good consistency and validity using inertial sensors on the upper legs and lower legs. Objective 3 extended this approach to lower-limb prosthetic users, demonstrating that wearable sensor signals could be robustly used for monitoring changes in gait patterns. Objective 4 expanded the research to investigate using inertial sensor signals to assess absolute gait quality, evaluated using lower-limb prosthetic users. Various algorithms were benchmarked, including the previously developed HMM-SM, dynamic time warping (DTW) and movement deviation profile (MDP). The results from this study showed strong correlations between inertial sensor measures and the Gait Profile Score, a validated measure of gait quality. This indicates that inertial sensor data could be used to assess overall gait quality. Wearable sensors offer the potential to transform rehabilitation practice. This work explored a unique approach to monitoring gait patterns that can facilitate the design of gait analysis systems that are both highly wearable (i.e., requiring few sensors) and adaptable to different gait disabilities.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».