Predicting Human Running Kinematics from Joint Angles Measured with Stretch Sensors
Authors
Rasmussen, Niclas Hornbøll ; Taidal, Lasse Kristoffer ; Larsen, Øjvind Fredsgård
Term
4. semester
Education
Publication year
2021
Submitted on
2021-06-01
Pages
11
Abstract
This thesis examines whether LEAP Technology stretch sensors can capture joint angles during real-world running and provide sufficient input to predict whole-body kinematics in a statistical running model. First, a database of 285 running trials was used for cross-validation to identify which joint angles (hip, knee, ankle) most improve model accuracy when combined with basic data (running speed, cadence, height, weight, BMI, sex, age); among tested combinations, the right knee angle plus basic data yielded the lowest overall error. Next, data were collected outdoors from three male recreational runners wearing an Xsens IMU system (reference) and three stretch sensors placed over the right knee (anterior) and ankle (anterior and posterior). Sensors were calibrated against Xsens using a second-order polynomial, and one stride cycle per trial was converted to Fourier series (11 coefficients). These inputs were combined with basic data in an AnyBody-based running model to predict 13 kinematic variables describing lower limbs, posture, and arm motion, with accuracy evaluated as relative prediction error (RPE). In the field measurements, RPE was 69.0% using basic data plus the knee sensor, 57.4% using basic data plus a posterior ankle sensor, and 67.3% using basic data alone. Thus, a posterior ankle sensor provided better predictions than basic data alone, whereas the knee sensor did not; overall, accuracy remained insufficient. The sample size was limited (n=3), and hip measurements were excluded due to attachment issues. These findings suggest that stretch sensors can augment wearable assessment of running kinematics, but further improvements in sensor placement, calibration, or model inputs are needed for reliable predictions.
Dette speciale undersøger, om stræksensorer fra LEAP Technology kan måle leddvinkler under løb i realistiske omgivelser og dermed give tilstrækkeligt input til at forudsige helkropskinematik i en statistisk løbemodel. Først blev en database med 285 løbeforsøg anvendt til krydsvalidering for at identificere, hvilke ledvinkler (hofte, knæ, ankel) der bedst forbedrer modellens præcision sammen med basisdata (løbehastighed, kadence, højde, vægt, BMI, køn, alder); her viste kombinationen af højre knævinkel og basisdata den laveste samlede fejl blandt de testede kombinationer. Dernæst blev data indsamlet udendørs fra tre mandlige motionsløbere iført et Xsens IMU-system (reference) og tre stræksensorer placeret over højre knæ (anteriort) og ankel (anteriort og posteriort). Sensorerne blev kalibreret mod Xsens ved hjælp af et andengrads polynomium, og én skridtcyklus pr. forsøg blev omdannet til Fourier-serier (11 koefficienter). Disse blev kombineret med basisdata i en AnyBody-baseret løbemodel for at forudsige 13 kinematiske variable, der beskriver underekstremiteter, kropsholdning og armenes bevægelse, og præcisionen blev vurderet som relativ forudsigelsesfejl (RPE). I feltmålingerne var RPE 69,0% ved brug af basisdata plus knæsensor, 57,4% ved basisdata plus en posteriort placeret ankelsensor og 67,3% med kun basisdata. En posterior ankelsensor gav således bedre forudsigelser end kun basisdata, mens knæsensoren ikke forbedrede resultaterne; samlet var nøjagtigheden dog utilstrækkelig. Prøvestørrelsen var begrænset (n=3), og hoftemålinger blev udeladt på grund af fastgørelsesproblemer. Resultaterne indikerer, at stræksensorer kan supplere bærbare målinger af løbekinematik, men at yderligere forbedringer i sensorplacering, kalibrering eller modelinput er nødvendige for pålidelige forudsigelser.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords