Wearable inertial sensors (WIS) facilitate the preservation of the athlete-environment relationship by allowing measurement outside the laboratory. WIS systems should be validated for team sports movements before they are used in sports performance and injury prevention research. The aim of the present study was to investigate the concurrent validity of a wearable inertial sensor system in quantifying joint kinematics during team sport movements. Ten recreationally active participants performed change-of-direction (single-leg deceleration and sidestep cut) and jump-landing (single-leg hop, single-leg crossover hop, and double-leg vertical jump) tasks while motion was recorded by nine inertial sensors (Noraxon MyoMotion, Noraxon USA Inc.) and eight motion capture cameras (Vicon Motion Systems Ltd). Validity of lower-extremity joint kinematics was assessed using measures of agreement (cross-correlation: XCORR) and error (root mean square deviation; and amplitude difference). Excellent agreement (XCORR >0.88) was found for sagittal plane kinematics in all joints and tasks. Highly variable agreement was found for frontal and transverse plane kinematics at the hip and ankle. Errors were relatively high in all planes. In conclusion, the WIS system provides valid estimates of sagittal plane joint kinematics in team sport movements. However, researchers should correct for offsets when comparing absolute joint angles between systems.
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.
Athlete impairment level is an important factor in wheelchair mobility performance (WMP) in sports. Classification systems, aimed to compensate impairment level effects on performance, vary between sports. Improved understanding of resemblances and differences in WMP between sports could aid in optimizing the classification methodology. Furthermore, increased performance insight could be applied in training and wheelchair optimization. The wearable sensor-based wheelchair mobility performance monitor (WMPM) was used to measure WMP of wheelchair basketball, rugby and tennis athletes of (inter-)national level during match-play. As hypothesized, wheelchair basketball athletes show the highest average WMP levels and wheelchair rugby the lowest, whereas wheelchair tennis athletes range in between for most outcomes. Based on WMP profiles, wheelchair basketball requires the highest performance intensity, whereas in wheelchair tennis, maneuverability is the key performance factor. In wheelchair rugby, WMP levels show the highest variation comparable to the high variation in athletes’ impairment levels. These insights could be used to direct classification and training guidelines, with more emphasis on intensity for wheelchair basketball, focus on maneuverability for wheelchair tennis and impairment-level based training programs for wheelchair rugby. Wearable technology use seems a prerequisite for further development of wheelchair sports, on the sports level (classification) and on individual level (training and wheelchair configuration).
Er zijn veel situaties waarin het belangrijk is om de positie en/of de loopbeweging van personen te kunnen meten, zoals voor de brandweer, voor het leger, in de sport of bij revalidatie. In een aantal situaties geldt hierbij de randvoorwaarde dat je geen gebruik kunt maken van bestaande infrastructuren. GPS werkt bijvoorbeeld alleen buiten en is voor veel toepassingen niet nauwkeurig genoeg. Infrastructuur in gebouwen (zoals WiFi) werkt niet altijd bij brand, en bovendien wil je vaak (ambulant) meten in een praktijkomgeving of in een onbekend gebouw, in plaats van in een ?labomgeving?. Een interessant gegeven is dat de afzonderlijke technieken voor het oplossen van bovenstaande problemen wel bestaan, maar dat nog geen enkele partij deze heeft kunnen integreren in een bruikbaar product. Blijkbaar levert de inherente complexiteit van het onderwerp van dergelijke systemen problemen op. In het SaxShoe project onderzoeken Saxion, HvA, NHL, Universiteit Twente en het bedrijfsleven hoe we een schoen-zool systeem kunnen ontwikkelen voor het meten en op afstand monitoren van de locatie en het loopgedrag van de gebruiker in situaties waarbij standaard infrastructuur (GPS, WiFi, camera?s) ontbreekt. In het project wordt een empirische aanpak gehanteerd. Dit op basis van de constatering dat veel zaken in theorie wel zouden moeten werken, maar dat de praktijk weerbarstig is. Door cyclisch een sensorschoen te ontwikkelen worden kennisvragen beantwoord. Deze (deel)vragen betreffen kennisontwikkeling voor nauwkeurige positiebepaling op basis van inertiële navigatie, en gerelateerde vragen rond communicatie, energievoorziening, de verwerking in een schoen en de werking in praktijksituaties. Op basis van gebruikersfeedback wordt het onderzoek continue bijgestuurd (agile development). Om de aanpak concreet te maken richt het project zicht op het ontwikkelen van een brandweerlaars, als middel, niet als doel, maar wel als showcase voor de kennisontwikkeling. De ambitie is het realiseren van de norm van maximaal 10 meter afwijking na 20 minuten lopen. Hiervoor werken in het project topbedrijven die gespecialiseerd zijn in sensortechnologie samen met hogescholen en met bedrijven die gespecialiseerd zijn in de productie van schoenen en zolen. Het project levert inzicht, oplossingen en ontwerpregels op voor de problematiek die speelt bij het ontwerpen van wearables voor het meten van locatie en loopgedrag. Voor de technische bedrijven in het project biedt SaxShoe de mogelijkheid om nieuwe markten te openen voor bestaande technologieën. Voor de eindgebruikers, zoals de brandweer, biedt het concrete oplossingen voor bestaande problemen zoals de veiligheid van hulpverleners in gevaarlijke situaties.
