Achtergrond - De progressie van knieartrose lijkt gerelateerd te zijn aan een hoog extern knieadductiemoment (EKAM), dat gereduceerd kan worden door een aangepast gangpatroon. Doel - Ten eerste is onderzocht welke van vier loopstrategieën het EKAM maximaal verlaagt ten opzichte van comfortabel gaan. Vervolgens is vastgesteld of een maximale EKAM-verlaging altijd wordt gerealiseerd door dezelfde loopstrategie, en of dit kan worden verklaard op basis van de mate waarin de houdingsaanpassing plaatsvindt. Methode - Bij 37 gezonde proefpersonen werd een 3D-ganganalyse gedaan. Na het registreren van het normale gangpatroon werden vier loopstrategieën geïnstrueerd en geregistreerd (Trunk Lean [TL], Medial Thrust [MT], Reduced Vertical Acceleration [RVA] en Toe Out [TO]). Het EKAM en diverse strategiespecifieke kinematica werden berekend voor alle condities. Resultaten - Alle loopstrategieën reduceerden de algehele piek van het EKAM. Hierbij bleken TL en MT de EKAM-piek het meest te reduceren, respectievelijk -35% en -30%. Ook de EKAM-impuls was significant verlaagd door deze strategieën. TO reduceerde de EKAM-puls in de late standfase significant. Er waren duidelijke individuele verschillen zichtbaar. MT verlaagde het EKAM het meest in 43% van de deelnemers, terwijl bij 49% van de deelnemers TL tot de meeste reductie leidde. Hoewel de instructies in beide groepen leidden tot vergelijkbare aanpassing van de kinematica, was de reductie van het EKAM bij uitvoering van dezelfde strategie significant verschillend tussen deze twee groepen. Interpretatie - Hoewel TL en MT het meest effectief waren om het EKAM te reduceren, lijkt individuele selectie van de meest optimale loopstrategie essentieel.
LINK
In sports, inertial measurement units are often used to measure the orientation of human body segments. A Madgwick (MW) filter can be used to obtain accurate inertial measurement unit (IMU) orientation estimates. This filter combines two different orientation estimates by applying a correction of the (1) gyroscope-based estimate in the direction of the (2) earth frame-based estimate. However, in sports situations that are characterized by relatively large linear accelerations and/or close magnetic sources, such as wheelchair sports, obtaining accurate IMU orientation estimates is challenging. In these situations, applying the MW filter in the regular way, i.e., with the same magnitude of correction at all time frames, may lead to estimation errors. Therefore, in this study, the MW filter was extended with machine learning to distinguish instances in which a small correction magnitude is beneficial from instances in which a large correction magnitude is beneficial, to eventually arrive at accurate body segment orientations in IMU-challenging sports situations. A machine learning algorithm was trained to make this distinction based on raw IMU data. Experiments on wheelchair sports were performed to assess the validity of the extended MW filter, and to compare the extended MW filter with the original MW filter based on comparisons with a motion capture-based reference system. Results indicate that the extended MW filter performs better than the original MW filter in assessing instantaneous trunk inclination (7.6 vs. 11.7◦ root-mean-squared error, RMSE), especially during the dynamic, IMU-challenging situations with moving athlete and wheelchair. Improvements of up to 45% RMSE were obtained for the extended MW filter compared with the original MW filter. To conclude, the machine learning-based extended MW filter has an acceptable accuracy and performs better than the original MW filter for the assessment of body segment orientation in IMU-challenging sports situations.
