MARC

 008260126s2025        us                              c    eng  d
■001000017357372
■00520260202103502
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280729841
■035    ▼a(MiAaPQ)AAI32001521
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aCarbajal  Mendez,  Hector  Abramn.▼0(orcid)0000-0001-9724-5140
■24510▼aIntegrating  Continuous  IMU  Monitoring  With  Transformer-Based  Variational  Autoencoders  to  Predict  Cartilage  Health  and  Clinical  Outcomes  in  Knee  Osteoarthritis
■260    ▼a[Sl]▼bUniversity  of  California,  San  Francisco▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a77  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Souza,  Richard.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Francisco,  2025.
■520    ▼aKnee  osteoarthritis  (KOA)  is  a  major  contributor  to  disability  worldwide,  with  rising  prevalence  driven  by  changes  in  lifestyle  and  physical  activity  patterns.  It  is  a  multifactorial  disease,  arising  from  a  complex  interplay  of  genetic,  structural,  biochemical  and  biomechanical  factors.  This  dissertation  centers  on  physical  activity  as  a  key  modifiable  factor  with  potential  for  intervention.  While  movement  is  essential  for  joint  health,  both  excessive  and  insufficient  knee  joint  loading  can  accelerate  disease  progression.  Existing  lab-based  tools  to  estimate  joint  loading  are  impractical  for  everyday  use,  and  consumer  activity  trackers  offer  limited  biomechanical  insight.  To  address  this,  we  present  a  novel  framework  that  uses  a  single  thigh-mounted  6-axis  inertial  measurement  unit  (IMU)  and  a  transformer-based  variational  autoencoder  (VAE)  to  continuously  monitor  knee  joint  loading  in  natural  conditions.  In  this  study,  individuals  with  patellofemoral  KOA  wore  an  IMU  for  one  week.  The  recorded  acceleration  and  gyroscope  signals  were  segmented  into  1.5-second  windows  with  50%  overlap  and  used  as  input  to  a  VAE  model.  The  32-dimensional  latent  space  of  the  VAE  was  designed  to  encode  biomechanically  meaningful  features  of  daily  activity.  We  analyzed  the  distribution  of  latent  representations  across  participants  and  quantified  their  time  spent  in  distinct  activity  clusters.  These  loading  profiles  were  then  compared  to  quantitative  magnetic  resonance  imaging  (qMRI)  metrics  of  knee  cartilage  health,  including  T1ρ  and  T2  relaxation  times.  Our  results  suggest  that  specific  activity  patterns  encoded  in  the  latent  space  are  associated  with  healthier  cartilage  composition.  This  approach  offers  a  scalable,  non-invasive  method  for  assessing  mechanical  loading  and  activity  exposure  in  individuals  with  KOA.  It  opens  the  door  for  personalized  recommendations  that  balance  mobility  with  joint  protection  to  potentially  delay  disease  progression.
■590    ▼aSchool  code:  0034.
■650  4▼aBioengineering
■650  4▼aMedical  imaging
■650  4▼aBiomechanics
■653    ▼aKnee  osteoarthritis
■653    ▼aVariational  autoencoder
■653    ▼aMagnetic  resonance  imaging
■653    ▼aInertial  measurement  unit
■690    ▼a0202
■690    ▼a0574
■690    ▼a0648
■71020▼aUniversity  of  California,  San  Francisco▼bBioengineering.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0034
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357372▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books