MARC

 008260126s2024        us                              c    eng  d
■001000017360577
■00520260202105549
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400178
■035    ▼a(MiAaPQ)AAI32315671
■035    ▼a(MiAaPQ)GeorgiaTech75674
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a612.8
■1001  ▼aWinner,  Taniel  S.
■24510▼aGait  Signatures:  Data-Driven  Discovery  of  Individual-Specific  Neuromechanical  Dynamics
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a228  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Ting,  Lena.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aHuman  gait  is  important  because  it  is  fundamental  to  the  execution  of  daily  activities  which  impacts  quality  of  life.  Notably,  changes  to  individuals'  gait  patterns  can  indicate  underlying  health  issues  such  as  musculoskeletal  and  neurological  disorders,  underscoring  the  importance  of  gait  analysis  towards  rehabilitation  following  disease,  injury  and  surgery.  However,  standard  methods  often  focus  on  discrete  gait  variables,  neglecting  continuous  data  and  complex  inter-limb  and  inter-joint  spatiotemporal  dependencies  that  underly  gait  and  impairment.  A  comprehensive  approach  is  necessary  to  analyze  gait  patterns,  diagnose  conditions  accurately,  prescribe  treatments,  develop  tailored  rehabilitation  strategies  and  monitor  progress  effectively.This  thesis  introduces  a  novel,  data-driven  approach  to  model  the  dynamics  of  human  gait,  effectively  capturing  the  complex  spatiotemporal  dependencies  between  individuals'  joint  angles,  arising  from  joint  neural  and  biomechanical  constraints.  Individual-specific  representations  of  gait  dynamics,  termed  "gait  signatures",  offer  a  holistic  way  to  identify  and  quantify  individual-specific  differences  in  gait  in  both  health  and  disease.  I  use  continuous  gait  kinematics  from  multiple  individuals  to  train  a  single  recurrent  neural  network  (RNN)  to  predict  the  time  evolution  of  multi-joint  gait  coordination,  thereby  capturing  the  underlying  dynamics  of  human  gait.  By  recapitulating  the  gait  behaviors  of  multiple  individuals  into  common  low-dimensional  basis  functions,  this  approach  facilitates  holistic  comparison  of  gait  dynamics  across  different  individuals  and  cohorts  in  a  shared  gait  space.  This  method  is  particularly  valuable  for  modeling  complex  gait  deviations,  including  those  seen  in  individuals  with  neurological  disorders,  as  it  eliminates  the  challenging  task  of  estimating  physiological  constraints  like  neural  control.In  a  series  of  studies,  I  demonstrate  that  highly  individualized  gait  dynamics  (i.e.  gait  signatures)  are  conserved  across  walking  speed  for  both  able-bodied  (AB)  adults  and  stroke  survivors  during  treadmill  walking.  Notably,  AB  gait  signatures  show  predictable,  linear  changes  across  a  wide  range  of  speeds.  These  gait  signatures,  comprising  of  biomechanically  interpretable  subcomponents,  can  be  manipulated  to  understand  their  relationship  with  observed  joint  coordination  patterns.  Additionally,  using  the  RNN  gait  dynamics  model,  I  demonstrate  its  ability  to  predict  the  time  evolution  of  multi-joint  coordination  from  an  initial  posture.  Finally,  I  utilized  the  gait  signatures  framework  to  track  and  quantify  clinically  meaningful  changes  in  stroke  survivors'  gait  signatures  through  two  longitudinal  gait  interventions  (Fast  and  Fast  Functional  Electrical  Stimulation).  These  findings  underscore  the  potential  of  gait  signatures  for  evaluating  and  interpreting  treatment  induced  changes  in  gait  in  a  holistic  manner.This  work  demonstrates  promising  clinical  applications  in  precision  medicine.  Gait  signatures  offer  an  objective,  reliable  and  repeatable  method  to  differentiate  and  analyze  individuals'  unique  dynamics  regardless  of  walking  speed.  They  can  predict  the  potential  response  to  gait  interventions  and  perturbations,  facilitating  the  development  of  personalized  strategies  to  improve  gait  while  reducing  time  and  participant  burden.
■590    ▼aSchool  code:  0078.
■650  4▼aBrain  research
■650  4▼aTendons
■650  4▼aElectromyography
■650  4▼aDynamical  systems
■650  4▼aAtaxia
■650  4▼aHuman  subjects
■650  4▼aGait
■650  4▼aStroke
■650  4▼aPartial  differential  equations
■650  4▼aMusculoskeletal  system
■650  4▼aNeurological  disorders
■650  4▼aNeural  networks
■650  4▼aSupport  vector  machines
■650  4▼aKinetics
■650  4▼aNervous  system
■650  4▼aMuscle  function
■650  4▼aPosture
■650  4▼aBiomechanics
■650  4▼aKinesiology
■650  4▼aComputer  science
■650  4▼aMathematics
■650  4▼aMedicine
■650  4▼aMorphology
■650  4▼aNeurosciences
■690    ▼a0648
■690    ▼a0575
■690    ▼a0800
■690    ▼a0984
■690    ▼a0405
■690    ▼a0564
■690    ▼a0287
■690    ▼a0317
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360577▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서