ウェアラブルセンサーを用いた子供の3D歩行分析：個別化された機械学習モデルと慣性計測装置による関節運動学と運動力学の予測の実現可能性

子供の歩行パターンは年齢とともに進化し、若い頃は繰り返しが少なく、大人よりも変動性が高い。三次元歩行分析（3DGA）は、子供の下肢運動障害を理解し治療する上で重要であり、従来は光学モーションキャプチャ（OMC）を用いて実施されてきた。慣性計測装置（IMU）はOMCのコスト効率の良い代替手段を提供するが、ドリフトエラーなどの課題が残る。機械学習（ML）モデルは、成人におけるこれらの問題を軽減することができ、異質な小児集団への適用可能性を調査する動機となった。本研究の目的は、1) IMUデータを用いて通常発達（TD）子供の歩行時系列を予測するための個別化されたおよび一般化されたMLモデルのパフォーマンスを定量化すること、2) ランダムフォレスト（RF）と畳み込みニューラルネットワーク（CNN）モデルのパフォーマンスを比較すること、3) 正確な予測のために必要なIMUの最適な数を見つけることにあった。