Calcolo Imu Torino 2019

Che cos’è l’IMU?Matthew Hudson è autore di tre libri sulle vendite al dettaglio e vanta quasi tre decenni di esperienza nel settore.Il markup iniziale (IMU) è la differenza tra il prezzo di vendita di un prodotto e quanto è costato acquistarlo. È espressa in percentuale e più è alta la percentuale, più l’articolo è redditizio.Per saperne di più sull’IMU e sul suo funzionamento.Che cos’è l’IMU?La formula IMU viene utilizzata per determinare il prezzo di vendita che i rivenditori applicano a un articolo in un negozio. Ad esempio, se un rivenditore acquista un martello all’ingrosso per 5 dollari, l’IMU è la misura del ricarico applicato a quel martello quando lo vende ai clienti. Se il rivenditore fissa il prezzo di vendita a 10 dollari, l’IMU è del 100%.L’IMU deve coprire più del semplice prezzo all’ingrosso. Deve essere sufficiente a coprire le spese generali di gestione dell’attività, i salari, le tasse e le altre spese quotidiane di gestione di un’impresa.Come si calcola l’IMU?Per calcolare l’IMU, sottrarre il costo unitario dal prezzo di vendita, quindi dividere il risultato per il costo unitario. Moltiplicare il risultato per 100 per trovare la percentuale.Come funziona l’IMU.L’IMU funziona assicurando che le vendite al dettaglio siano redditizie. Uno degli errori più gravi commessi dai rivenditori è quello di non prestare maggiore attenzione all’IMU nella loro attività. Spesso i rivenditori hanno le loro formule, ad esempio utilizzano semplicemente i prezzi della scheda o del catalogo del venditore. Se il venditore dice che il costo è di 50 dollari e il prezzo di vendita al dettaglio è di 100 dollari, il rivenditore utilizza questa formula. Ma un negozio al dettaglio può avere una struttura dei costi completamente diversa da quella di altri negozi e dovrebbe regolare la sua IMU di conseguenza.Alcuni rivenditori utilizzano il sistema del ‘doppio più’, che prevede l’utilizzo di una chiave di volta (una formula stabilita per determinare l’IMU), come il raddoppio del costo più un dollaro extra, ad esempio 5 dollari. Questo metodo, tuttavia, non è sempre il migliore, poiché la matematica può annullare i margini di profitto quando il costo di un prodotto aumenta, come si può vedere qui:Costo Prezzo di vendita IMU % $10 $25 60% $20 $45 56% $40 $85 53% $80 $165 52% $100 $205 51%Requisiti dell’IMU.L’obiettivo di un’IMU è quello di massimizzare i profitti del negozio, non di ottenere il più alto markup possibile. Se il ricarico iniziale è troppo alto, il volume delle vendite diminuirà. Se il margine iniziale è troppo basso, il negozio non genererà un flusso di cassa o un profitto sufficiente a coprire le spese operative.Se siete alle prese con la definizione delle IMU, uno dei posti migliori in cui cercare sono le associazioni di vendita al dettaglio. Queste organizzazioni raccolgono i dati dei loro membri e vi aiutano a capire quali margini, IMU e giri d’affari dovreste ottenere dal vostro inventario. Ad esempio, un rivenditore di scarpe dovrebbe essere membro della National Shoe Retailers Association, che ogni due anni pubblica un rapporto sulle prestazioni commerciali dei negozi dell’associazione. Si tratta di strumenti eccellenti per qualsiasi azienda che voglia migliorare la propria attività.Ci sono molti modi per mettere a punto le IMU fino a quando non si ottiene il risultato giusto, ma ecco tre suggerimenti che potrebbero essere utili:Esame di una metodologia basata su IMU montata sul piede per la valutazione dell’andatura di corsa.Questo è un articolo ad accesso libero distribuito secondo i termini della Creative Commons Attribution License (CC BY). L’uso, la distribuzione o la riproduzione in altri forum sono consentiti, a condizione che siano citati l’autore o gli autori originali e il proprietario del copyright e che sia citata la pubblicazione originale in questa rivista, in conformità con la prassi accademica accettata. Non è consentito alcun uso, distribuzione o riproduzione che non sia conforme a questi termini.Dati associati.I dati grezzi che supportano le conclusioni di questo articolo saranno resi disponibili dagli autori, senza alcuna riserva.Abstract.La valutazione dell’andatura è essenziale per comprendere i meccanismi di prevenzione degli infortuni durante la corsa, dove le forze ad alto impatto possono portare a una serie di lesioni agli arti inferiori. Le informazioni relative allo stile di corsa per aumentare l’efficienza e/o la scelta dell’attrezzatura corretta, come il tipo di scarpa, possono ridurre al minimo il rischio di lesioni, ad esempio abbinando l’andatura del corridore a una particolare serie di tecnologie di ammortizzazione presenti nelle scarpe moderne (ammortizzazione neutra/di sostegno). La consapevolezza dell’allenamento o la scelta dell’attrezzatura corretta richiedono la comprensione della biomeccanica del corridore, come la determinazione dell’orientamento del piede quando colpisce il terreno. Il lavoro precedente prevedeva un approccio a basso costo con un’unità di misura inerziale (IMU) montata sul piede e una metodologia associata basata sullo zero-crossing per comprendere in modo oggettivo la biomeccanica di un corridore (in qualsiasi ambiente) per imparare a scegliere le scarpe. In questa sede, viene presentata un’indagine della metodologia basata sullo ZC presentata in precedenza solo per determinare la validità generale per la valutazione dell’andatura di corsa in una gamma di abilità di corsa da principiante (8 km/h) a esperto (16 km/h+). Rispetto ai dati di motion tracking 3D Vicon, l’approccio presentato è in grado di estrarre la pronazione, la posizione dell’impatto del piede e il tempo di contatto con il suolo con un accordo da buono [ICC (2,1) > 0,750] a eccellente [ICC (2,1) > 0,900] tra le corse a 8-12 km/h. Tuttavia, a velocità più elevate (14 km/h+), l’approccio basato sullo ZC inizia a peggiorare le prestazioni, suggerendo che altre caratteristiche e approcci possono essere più adatti per le attività di corsa e sprint più veloci.Introduzione.La corsa è diventata uno degli sport più popolari, in grado di promuovere i benefici per la salute attraverso l’aumento dell’attività fisica, pur rimanendo facilmente accessibile a tutti (Shipway e Holloway, 2010). Con la maggiore diffusione della corsa e degli esercizi basati sulla corsa, è aumentata l’incidenza delle lesioni agli arti inferiori associate alla corsa, come la tendinopatia di Achille e la fascite plantare (Dempster et al., 2021). Gli infortuni, se non trattati, possono aggravarsi nei corridori principianti e alle prime armi (Linton e Valentin, 2018), con un tasso di infortuni più elevato legato a piani di allenamento informali e autoprodotti rispetto ad approcci ben informati, ovvero i corridori alle prime armi potrebbero non avere accesso o non essere consapevoli delle informazioni che portano a pratiche di corsa efficienti e sicure per ridurre al minimo gli infortuni. È stato dimostrato che un’alta incidenza di infortuni è dovuta a problemi di gestione del carico d’impatto, per cui una migliore comprensione delle proprietà biomeccaniche di ogni stile di corsa gioca un ruolo fondamentale nella comprensione del tipo di infortunio. Ad esempio, chi corre con il retropiede (tallone) ha una probabilità significativamente maggiore di incorrere in un infortunio rispetto a chi corre con l’avampiede (Daoud et al., 2012). Più specificamente, l’iperpronazione durante la corsa può portare a stress tibiale mediale e fascite plantare (Rolf, 1995; Hintermann e Nigg, 1998).È stato dimostrato che la scelta dell’attrezzatura corretta per la corsa, come il tipo di scarpa, riduce al minimo il rischio di lesioni ottimizzando la distribuzione del carico attraverso l’uso di varie tecnologie di ammortizzazione. Ad esempio, una scarpa da appoggio include un’ammortizzazione antipronazione per ridurre al minimo il rollio del piede al momento dell’impatto (Jafarnezhadgero et al., 2019). Tuttavia, la scelta della scarpa da corsa corretta presenta delle difficoltà. In genere, un corridore viene valutato manualmente da una persona che (i) valuta visivamente la caduta del piede durante la camminata o la corsa su strada o su un tapis roulant e/o (ii) osserva il modello di usura delle scarpe da corsa precedenti per capire la gravità della pronazione e la posizione dell’impatto del piede (Higginson, 2009). Tuttavia, le valutazioni visive sono intrinsecamente difettose per mancanza di soggettività e affidabilità (Higginson, 2009). In particolare, è stato dimostrato che mentre la valutazione visiva del modello di appoggio del piede è altamente accurata, la valutazione visiva della pronazione è inaffidabile tra i valutatori, con un accordo tra il 42 e il 56% (Meyer et al., 2018). Per questo motivo, l’uso della tecnologia è essenziale per una strumentazione accurata dell’andatura di corsa.I sistemi tridimensionali (3D) basati sulla cattura del movimento sono generalmente considerati il riferimento/il gold standard nella valutazione dell’andatura, dimostrando costantemente validità e riproducibilità in una serie di applicazioni (Baskwill et al., 2021; Albert et al., 2020; Jakob et al., 2021). Tuttavia, l’uso di un sistema di tracciamento del movimento 3D presenta evidenti problemi pragmatici a causa dei costi elevati, della natura intrusiva (gli utenti devono essere dotati di una serie di marcatori anatomici) e della necessità di competenze tecniche (Schlagenhauf et al., 2018; Sharma et al., 2019), che limitano l’uso della tecnologia in contesti reali a basse risorse. Per questo motivo, le unità di misura inerziali (IMU) indossabili hanno visto una recente diffusione nella valutazione dell’andatura di corsa, fornendo un apparecchio a basso costo in grado di rilevare i risultati più complessi dell’andatura di corsa (Young et al., 2020; Benson et al., 2022). In genere, le IMU contengono una combinazione di accelerometri inerziali e sensori giroscopici per fornire una comprensione dell’accelerazione e della rotazione (Ahmad et al., 2013). Le IMU possono misurare un’ampia gamma di biomeccanica della corsa, tra cui la stima della fase dell’andatura (Sui et al., 2020; Young et al., 2021), l’analisi dell’impatto (Tan et al., 2020), gli angoli di flessione (Cooper et al., 2009; Nagahara et al., 2020), l’orientamento del piede (Falbriard et al., 2020) e le misure di asimmetria (Ueberschär et al., 2019; Benson et al., 2022). In particolare, il loro utilizzo consente di ottenere risultati riproducibili e oggettivi sull’andatura che possono consentire la standardizzazione nel settore, soprattutto in opposizione alle valutazioni visive tradizionali (Higginson, 2009; Chew et al., 2018; Benson et al., 2022). Inoltre, grazie a un fattore di forma ridotto e a un costo relativamente basso, le IMU possono misurare anche al di fuori del laboratorio (Strohrmann et al., 2011; Benson et al., 2022), il che può aiutare a comprendere l’andatura di corsa di varia durata in una varietà di ambienti, da brevi sessioni di cattura (ad esempio, sprint Schmidt et al., 2016) sotto osservazione in ambienti con scarse risorse a periodi prolungati sul terreno, ad esempio maratone (Meyer et al., 2021).Le IMU si affidano tipicamente ad algoritmi per estrarre caratteristiche utili dell’andatura dai segnali inerziali. Gli algoritmi possono essere generalmente descritti come metodologie basate su software, che traducono i dati grezzi (a livello di campione) in risultati significativi e quantificabili dell’andatura. Ad oggi, sono stati sviluppati numerosi algoritmi basati su IMU per la valutazione dell’andatura in corsa (Mason et al., 2022). In genere, gli algoritmi si basano sull’identificazione degli eventi di contatto iniziale dai dati inerziali per segmentare il ciclo dell’andatura per specifiche fasi di analisi (Gujarathi e Bhole, 2019; Young et al., 2021). Un approccio comune è la tecnica dello zero-crossing (ZC) (Mason et al., 2022), particolarmente utile se utilizzata insieme ad altri metodi di estrazione di caratteristiche inerziali, come i massimi del gradiente (cioè il rilevamento dei picchi), spesso utilizzati per estrarre i picchi nei segnali inerziali corrispondenti (Alahakone et al., 2010; Norris et al., 2014). In particolare, le fasi di corsa presentano naturalmente un’accelerazione maggiore durante l’impatto, creando picchi facilmente identificabili nei segnali di accelerazione, che giustificano l’uso di un algoritmo di massimi del gradiente ZC per segmentare l’andatura. Di conseguenza, l’uso di un accelerometro può informare i risultati basati sul giroscopio (ad esempio, il movimento del piede e la posizione dell’impatto). Il vantaggio di questa strategia di rilevamento multimodale è particolarmente evidente quando i dispositivi IMU sono posizionati sulle estremità inferiori (ad esempio, sui piedi), aumentando la sensibilità alle caratteristiche del segnale inerziale legate alla biomeccanica dell’impatto al suolo (Panebianco et al., 2018), come è stato dimostrato nell’andatura di corsa (Alahakone et al., 2010; Young et al., 2020).Inoltre, lo ZC ha un’utilità pragmatica rispetto ad approcci recenti come l’intelligenza artificiale e l’apprendimento automatico nell’ambito della valutazione dell’andatura, che, nonostante la loro capacità di fornire risultati completi sull’andatura (Zhang et al., 2019; Xu et al., 2022), sono intensivi dal punto di vista computazionale (Khera e Kumar, 2020) e richiedono una logistica complessa come l’impostazione, l’addestramento e l’hosting. Al contrario, i metodi ZC richiedono una bassa potenza di calcolo per una distribuzione più immediata per l’esecuzione di compiti di valutazione dell’andatura (Hölzke et al., 2020), in quanto la tecnica è più facilmente implementabile (cioè non richiede la creazione di set di dati e un’implementazione complessa), indicando l’idoneità per una distribuzione a basse risorse, ad esempio su un tablet o uno smartphone senza connettività cloud. Un lavoro precedente (Young et al., 2020, 2021) ha sviluppato una metodologia IMU ZC a basso consumo con un IMU montato sul piede per valutare le proprietà biomeccaniche come la posizione dell’impatto del piede, la pronazione e il tempo di contatto con il suolo per raccomandare il tipo di scarpa mentre i partecipanti correvano a un singolo passo prestabilito (8 km/h). Tuttavia, la validità dell’approccio ZC non è stata studiata in modo esaustivo per un uso generale nell’analisi della corsa. In questa sede, abbiamo condotto un’indagine approfondita della metodologia ZC fondamentale per l’identificazione dell’impatto del piede e del tempo di contatto al suolo della pronazione a diverse velocità, incrociate con un sistema di acquisizione del movimento 3D e con flussi video di riferimento al rallentatore. Si ipotizza che lo ZC sia un approccio utile per esaminare i risultati dell’andatura di corsa a diverse velocità.Metodi.Partecipanti.L’approvazione etica è stata concessa dal Comitato etico per la ricerca della Northumbria University (riferimento: 21603). Tutti i partecipanti hanno ricevuto le informazioni necessarie prima di partecipare e hanno dato il consenso verbale e scritto prima di eseguire i test su tapis roulant nel laboratorio di andatura e biomeccanica della Northumbria University. Un terzo dei partecipanti sani (34,5 ± 9,67 anni; 1,75 ± 0,3 m; 76,2 ± 4,1 kg; 20M:11F) è stato reclutato da club di corsa del nord-est dell’Inghilterra. I partecipanti presentavano una gamma di abilità di corsa da ≈30 minuti (dilettanti) a ≤ 20 minuti (esperti) per un passo di 5 km. I criteri di inclusione richiedevano che i partecipanti fossero in grado di correre senza assistenza per brevi periodi e che avessero un’età inferiore ai 60 anni. I partecipanti sono stati esaminati per verificare la presenza di lesioni legate alla corsa e di eventuali condizioni che influiscono sulla deambulazione e sulla mobilità (ad esempio, ortopediche e cardiovascolari) che potrebbero influire negativamente sulla capacità di correre. Nessun partecipante ha riferito di lesioni che influiscono sull’andatura della corsa o di condizioni preesistenti tali da giustificare l’esclusione. Ai partecipanti è stata fornita una scarpa da corsa standardizzata ad ammortizzazione neutra (Saucony Guide Runner) da utilizzare durante i test per ridurre al minimo l’impatto alle velocità più elevate.Strumentazione: IMU.Tutti i partecipanti sono stati dotati di due IMU indossabili (AX6, Axivity, UK, https://axivity.com/, accelerometro triassiale e giroscopio triassiale, 23,0 × 32,5 × 8,9 mm, 11g) sull’articolazione dell’astragalo di ciascun piede con nastro medico ( Figura 1 ). Le IMU sono state programmate con la suite software omGUI di Axivity, configurate con un campo accelerometrico di ± 16 g e un giroscopio da 2.000 dps con polling a 60 Hz. La posizione dell’IMU sull’astragalo è essenziale per riprodurre la metodologia ZC in esame. In particolare, il tracciamento dell’orientamento dell’astragalo fornisce una rappresentazione ottimale della rotazione del piede durante il ciclo dell’andatura di corsa (Hontas et al., 1986) per determinare il modello di impatto del piede, la pronazione e il tempo di contatto con il suolo.Esempio di un partecipante montato con l’intera gamma di marcatori e sensori. (A) Una macro vista di un corridore durante il test, con indosso (B) 16 marker 3D neo-riflettenti per il tracciamento del movimento e 2 dispositivi AX6 IMU. (C) Illustra una vista ingrandita del piede con i marcatori in corrispondenza delle posizioni del tallone, della caviglia e del piede anteriore; con l’AX6 in corrispondenza dell’articolazione dell’astragalo del piede.Strumentazione: Riferimento.Per il riferimento standard è stato utilizzato un sistema di motion tracking tridimensionale (3D) a 14 telecamere (Vertex, Vicon, UK, www.vicon.com). Le 14 telecamere di motion tracking Vicon Vertex sono state distribuite in uno spazio di 9,8 × 7,9 × 3,2 m 3 , con un polling a 200 Hz per fornire un’osservazione ad alta risoluzione dell’andatura dei partecipanti. Ai partecipanti sono stati applicati 16 marcatori neo-riflettenti da utilizzare con il sistema di tracciamento del movimento Vicon 3D nei seguenti punti: (1) tuberosità calcaneale (tallone), (2) malleoli laterali (caviglia), (3) base del secondo metatarso (piede anteriore/punta), (4) metà laterale dello stinco, (5) linea articolare laterale del ginocchio, (6) metà laterale della coscia, (7) spina iliaca anteriore superiore e (8) spina iliaca posteriore superiore ( Figura 1 ).Acquisizione dei dati.I partecipanti hanno inizialmente eseguito una posa statica (braccia lungo i fianchi e piedi alla larghezza delle spalle) per calibrare il sistema di tracciamento del movimento 3D. Successivamente, i partecipanti sono stati invitati a camminare per brevi periodi all’interno dell’ambiente di tracciamento 3D, fornendo dati sincronizzati tra i flussi di dati di tracciamento 3D, video e IMU. Per garantire la sincronizzazione tra i flussi di dati Vicon e IMU, i timestamp digitali sono stati creati in modo coerente nel software per entrambi i sistemi in base all’orologio del sistema operativo nel formato ‘millisecondi dall’epoca’. Dopo la configurazione, i partecipanti sono rimasti fermi sul tapis roulant per fornire una lettura di base dai dispositivi IMU e per tenere conto di qualsiasi errore di inclinazione locale o disallineamento durante l’adattamento. Ai partecipanti è stato quindi chiesto di eseguire brevi sessioni di corsa sul tapis roulant della durata di 1 minuto a quattro velocità prestabilite (8, 10, 12 e 14 km/h), in linea con le linee guida del lavoro precedente (Young et al., 2020) e per garantire che i partecipanti potessero completare con successo i test nonostante la loro capacità di corsa. È stato scelto un periodo di 1 minuto, in quanto generalmente in linea con altri studi simili nel campo con periodi di acquisizione dei dati che vanno da 20 s (McGrath et al., 2012) a 90 s (Bailey e Harle, 2014; Tan et al., 2020). Inoltre, i partecipanti hanno corso a una velocità paragonabile alla loro più recente andatura di 5 km all’aperto (15,1 ± 0,8 km/h). Se l’andatura autoselezionata era inferiore o uguale alle velocità predefinite, non è stata acquisita l’andatura autoselezionata. Tutte le corse hanno acquisito dati inerziali, di movimento 3D e video (prospettive laterali e posteriori a 240 FPS). I test sono stati condotti due volte dopo una breve pausa (≈1 minuto) per fornire ai partecipanti più sessioni di corsa a ogni ritmo. In questo studio sono stati valutati in totale 148 allenamenti di corsa.Etichettatura dei dati.La posizione dell’impatto del piede, la gravità della pronazione e il tempo di contatto con il suolo sono stati etichettati manualmente attraverso l’osservazione dei dati di tracciamento del movimento 3D e dei flussi video di riferimento al rallentatore, in conformità con le etichette degli studi precedenti (Young et al., 2020, 2021) da un team di ricercatori qualificati (biomeccanici delle scienze dello sport), in modo che ogni piede possa presentare: rollio neutro, leggero o pronato del piede; oppure posizione dell’impatto del tallone, della parte centrale o anteriore del piede ( Figura 2 ). Le etichette sono generate osservando l’output scheletrico generato dal sistema Vicon in riferimento incrociato con i flussi video al rallentatore, in modo che la pronazione sia l’angolo tra il tallone, la caviglia e l’angolo della gamba (Figura 2B) e la posizione di impatto del piede indichi la posizione di impatto del piede (Figura 2C). Un corridore è considerato pronato se presenta un rollio del piede di 5° o più durante il contatto iniziale, in linea con le linee guida precedentemente definite (Young et al., 2020). A causa delle diverse risoluzioni di campionamento tra il motion capture 3D (200 Hz) e i segnali IMU (60 Hz), il tempo di contatto con il suolo viene misurato ed etichettato rispetto ai millisecondi per standardizzare le misurazioni. Ad esempio, il tempo di contatto con il suolo proveniente dall’acquisizione del movimento 3D potrebbe produrre 38 Hz, mentre l’IMU potrebbe produrre 11 Hz. Di conseguenza, ogni metodo viene ricampionato a 190 ms e 183 ms per i dati di motion tracking 3D e IMU, rispettivamente. Il tempo di contatto con il suolo è misurato come il tempo trascorso (ms) tra il contatto iniziale (il piede entra per la prima volta in contatto con il suolo) e il contatto finale (il piede lascia per ultimo il suolo). Dei 148 allenamenti di corsa osservati, un totale di 9.327 passi (passi medi per test = 57,2 ± 4,09) sono stati estratti, etichettati e valutati nell’ambito dello studio.Illustrazione del processo di etichettatura della pronazione e dell’appoggio del piede tra tre marcatori neoriflettenti situati in corrispondenza delle posizioni della caviglia, del tallone e dell’avampiede. L’angolo di pronazione è derivato dall’angolo della gamba rispetto all’angolo del piede (A,B). L’appoggio del piede (C) è determinato come il primo punto di contatto con il terreno (x rossa): tallone, medio o avampiede.Elaborazione dei dati e algoritmo.La gestione e l’elaborazione dei dati sono state descritte in precedenza (Young et al., 2020, 2021). In breve, i dati di accelerazione e rotazione sono stati estratti e analizzati in un ambiente Jupyter notebook Python 3.7 per l’esecuzione dell’algoritmo. I dati sono stati preparati/filtrati da un filtro passa-banda Butterworth a 60 Hz con una frequenza di campionamento di 3 Hz e una frequenza di taglio di 5 Hz applicata al piano di accelerazione verticale e alla velocità di rotazione verticale/orizzontale per tenere conto del rumore del segnale.Metodologia dell’algoritmo IMU.Il metodo analizza i segnali dell’accelerometro triassiale e del giroscopio triassiale in tandem durante la corsa per quantificare la posizione dell’impatto del piede, la gravità della pronazione e il tempo di contatto con il suolo. Il metodo si basa sull’identificazione del contatto iniziale da ZC per informare l’estrazione delle caratteristiche dell’andatura intorno all’impatto. Di seguito viene presentata una breve descrizione dell’algoritmo:(a) Identificazione del contatto iniziale (Figura 3A): Un algoritmo di massimi del gradiente ZC viene utilizzato per rilevare i picchi nel piano di accelerazione verticale; viene utilizzato per il contatto iniziale identificato osservando cambiamenti significativi del gradiente. Operando entro una soglia dinamica basata sui massimi del segnale, l’algoritmo ZC gradient maxima identifica efficacemente i picchi di contatto iniziale nell’accelerazione verticale.Illustrazione dei dati dell’algoritmo valutato nelle fasi principali di esecuzione (A) identificazione del contatto iniziale/finale e (B) estrazione delle caratteristiche dell’andatura nel punto di contatto.(b) La velocità di rotazione del piede nei piani verticale e orizzontale viene osservata intorno ai punti di contatto iniziale identificati (Figura 3B). Viene fatta una media di ogni caratteristica, fornendo un output finale della gravità della pronazione e della posizione di impatto del piede.(c) Identificazione del contatto finale e stima del tempo di contatto con il suolo: Lo stesso algoritmo dei massimi del gradiente ZC viene utilizzato per identificare un picco inverso nel segnale di accelerazione entro una regione di interesse di 500 ms dopo un evento di contatto iniziale identificato. Il tempo di contatto con il suolo viene quindi calcolato come l’intervallo di tempo tra un evento di contatto iniziale e l’evento di contatto finale.Analisi statistica.L’esame delle prestazioni degli algoritmi proposti e dei rispettivi video è stato condotto in SPSS v27. I test di Shapiro-Wilks hanno indicato una distribuzione normale di tutti i dati (p (2,1) ] i modelli hanno esaminato l’accordo assoluto tra l’algoritmo IMU e i flussi video 3D di riferimento/ slow motion. È stata utilizzata una scala di prestazioni ICC predefinita (Koo e Li, 2016), definita scarsa ( 0,900). Gli errori medi sono stati calcolati tra l’algoritmo e i dati di movimento 3D a scopo descrittivo e sono stati osservati come una metrica di precisione nel tempo di contatto con il suolo. Inoltre, il diagramma di Bland Altman (Bland e Altman, 1986) e il box plot sono stati utilizzati per valutare visivamente l’accordo tra la verità al suolo e i risultati dell’algoritmo per il tempo di contatto al suolo.Risultati.Sui 31 partecipanti, durante le sessioni di corsa su tapis roulant non si sono verificate perdite o abbandoni di dati. Dall’osservazione preliminare dei risultati quantificati dell’algoritmo, non sono stati identificati outlier significativi. Nell’ambito dello studio sono stati analizzati 148 allenamenti di corsa contenenti 9.327 passi.Contatto iniziale.Le prestazioni della correlazione intraclasse degradano a velocità più elevate nell’identificazione dei punti di contatto iniziale, dimostrando un ottimo accordo tra 8-10 km/h [ICC (2,1) > 0,900] e un buon accordo (ICC (2,1) 0,750) a 14 km/h e a passi più alti autoselezionati; si veda la Tabella 1 . L’approccio del gradiente ZC all’identificazione del contatto iniziale tende a sovrastimare il numero di eventi di contatto iniziale, soprattutto a velocità più elevate.Tabella 1.Prestazioni dell’identificazione del contatto iniziale rispetto alle etichette di riferimento ricavate da dati di tracciamento 3D a diverse velocità.Riferimento Algoritmo in uscita Numero medio di passi Numero medio di passi ICC (2,1) 8 km/h 54 55 0,963 10 km/h 56 56 0,981 12 km/h 56 57 0,945 14 km/h 59 65 0,821 Passo autoselezionato 60 72 0,783.Il numero medio di passi indica i passi medi per partecipante e per piede in tutta la gamma di set di dati.Posizione dell’impatto del piede e gravità della pronazione.Le correlazioni intraclasse dimostrano un’eccellente concordanza tra l’algoritmo e i flussi di riferimento per l’identificazione dell’impatto del piede (ICC (2,1) > 0,900), dimostrando in particolare la robustezza a tutta la gamma di velocità con bassi tassi di errore; si veda la Tabella 2 . Tra gli 8 e i 12 km/h, l’algoritmo per l’identificazione della pronazione dimostra un buon accordo (ICC (2,1) > 0,750), ma inizia a peggiorare a 14 km/h + con un accordo moderato (ICC (2,1) > 0,500).Tabella 2.Prestazioni dell’estrazione delle caratteristiche dell’andatura in accordo con le etichette di riferimento dai dati di tracciamento 3D a diverse velocità.8 km/h 10 km/h 12 km/h 14 km/h Passo autoselezionato Pronazione Colpo del piede Pronazione Colpo del piede Pronazione Colpo del piede Errore medio 0,184 0,131 0,184 0,105 0,342 0,112 0,382 0,029 0,312 0,025 ICC (2,1) 0,867 0,918 0,833 0,915 0,779 0,915 0,687 0,987 0,712 0,989.Tempo di contatto con il suolo.L’approccio all’identificazione del tempo di contatto con il suolo mostra errori medi bassi a 8, 10 e 12 km/h (9 -17 ms) rispetto alle etichette di tracciamento del movimento 3D; si veda la Tabella 3 . Analogamente, l’osservazione della mediana e dell’intervallo superiore/inferiore a velocità inferiori dimostra la capacità di stimare il tempo di contatto con il suolo di lunghezza variabile (Figura 4). Al contrario, il tasso di errore medio è leggermente più alto (21 ms-27 ms) alle velocità più elevate (14 km/h +), dimostrando inoltre una deviazione più ampia dalla mediana e dall’intervallo superiore/inferiore rispetto ai dati etichettati (Figura 4).Tabella 3.Prestazioni dello strato di estrazione del tempo di contatto con il suolo rispetto alle etichette dei dati di tracciamento 3D tra 8 km/h e una velocità auto-selezionata (avg = 15,1 k m/h).Velocità (km/h) 8 10 12 14 Autoselezionata Risultato medio dell’algoritmo (ms) 335,5 ± 44,78 317,5 ± 31,52 282,5 ± 35,06 272 ± 27,86 272 ± 28,83 Dati medi etichettati (ms) 344,5 ± 46. 55 316,5 ± 31,6455 316,5 ± 31,64 279,5 ± 33,06 261,5 ± 28,61 245,5 ± 29,95 Errore medio (Hz) 3,58 2,15 2,93 4,21 5,48 Errore medio (ms) 9 11 15 21 27 Errore medio (%) 2,65 0,32 1,07 3,94 10,24.I risultati sono osservati in millisecondi per standardizzare le misure tra l’uscita di riferimento (Vicon; 200 Hz) e quella dell’IMU (Axivity; 60 Hz). A scopo illustrativo, l’errore medio è indicato sia in Hz che in secondi e si riferisce all’errore medio tra l’algoritmo e i dati etichettati.Box plot che illustrano le prestazioni dell’algoritmo del tempo di contatto a 8, 10, 12, 14 km/h e a un’andatura autoselezionata. A si riferisce al tempo di contatto effettivo (etichettato) e P si riferisce al tempo di contatto previsto (algoritmo ZC).Discussione.La comprensione dell’andatura di corsa è fondamentale per la prevenzione degli infortuni, in particolare per la quantificazione delle proprietà biomeccaniche pragmatiche. Ciò può ridurre le lesioni da impatto o da sforzo comunemente associate all’iperpronazione (Daoud et al., 2012). Il lavoro proposto esamina e valuta le prestazioni di una metodologia ZC a diverse velocità di corsa per valutare l’idoneità a quantificare la posizione di impatto del piede, la pronazione e il tempo di contatto con il suolo. È emerso che il metodo ZC ha ridotto l’accordo rispetto a un riferimento standard a velocità di corsa più elevate, suggerendo che il suo utilizzo per l’analisi della corsa può essere adatto solo per i corridori amatoriali (cioè quelli con un tempo di 5 km > 20 minuti) rispetto agli atleti d’élite e alla loro valutazione dell’andatura a velocità più elevate.Prestazioni della metodologia zero-crossing.In linea con gli studi che utilizzano un approccio a gradiente ZC per la segmentazione del ciclo dell’andatura (Bastas et al., 2018; Han et al., 2019), il nostro algoritmo di identificazione del CI ha dimostrato un eccellente accordo assoluto nella gamma di velocità più basse (ICC (2,1) > 0,9) e un buon accordo (ICC (2,1) > 0,75) a velocità più elevate, identificando i picchi di accelerazione verticale sopra una soglia dinamica. L’approccio ZC all’identificazione del contatto iniziale mostra un errore medio compreso tra 9 e 27 ms tra l’algoritmo e l’output etichettato in funzione della velocità; si veda la Tabella 3 .Osservando i diagrammi di Bland Altman dell’approccio all’identificazione del contatto iniziale a velocità più elevate (Figura 5), (14 km/h+), si può notare che l’approccio identifica con successo eventi di contatto iniziale etichettati, probabilmente a causa di forze d’impatto più elevate che esercitano un’accelerazione verticale significativa che l’analisi del gradiente può facilmente identificare. Tuttavia, occasionalmente si riscontrano falsi positivi a velocità più elevate, dove spesso è presente del rumore estraneo (materiale supplementare, analisi segnale-rumore) a seguito di un impatto di grandi dimensioni; si veda la Figura 6 . La metodologia valutata tenta di rimuovere i falsi positivi sulla base di una soglia dinamica, stimata attraverso l’osservazione della lunghezza media del passo quantificato (Young et al., 2020); tuttavia, il processo non è costantemente performante da giustificare l’uso a velocità più elevate. Recentemente, l’uso dell’apprendimento profondo ha dimostrato la sua utilità nell’identificare i risultati temporali dell’andatura sia normale (Gadaleta et al., 2019) che di corsa (Gholami et al., 2020; Johnson et al., 2020) a partire da sensori inerziali indossabili, ma richiede ulteriori indagini e convalide (ad esempio, in una gamma di velocità) prima di essere adottato. Se tali approcci dovessero mostrare una gamma di validità all’interno del dominio, il loro utilizzo potrebbe essere giustificato per informare i risultati dell’estrazione delle caratteristiche dell’andatura legate all’impatto.Grafici Bland-Altman del tempo di contatto al suolo tra la verità al suolo e l’output dell’algoritmo. Le linee blu e arancione indicano la media ± STD dell’errore.Confronto dei dati di accelerazione verticale di un corridore a due diverse velocità, 8 km/h e 16 km/h. Come si è osservato, alle velocità più elevate si nota un notevole aumento del rumore dopo un primo evento di contatto. Inoltre, i segnali presentano differenze evidenti tra le velocità a causa (i) del rumore e (ii) del potenziale cambiamento dell’andatura rispetto alla velocità (ad esempio, colpo di avampiede a 8 km/h e colpo di tacco a 16 km/h). Di conseguenza, l’estrazione delle caratteristiche dell’andatura intorno al punto di impatto potrebbe essere significativamente compromessa a velocità più elevate.A differenza dei metodi basati solo sul giroscopio che eseguono la segmentazione del ciclo dell’andatura attraverso la stima della rotazione del piede per l’analisi di metà corsa, l’uso di un approccio ZC in accelerazione verticale (accelerometro) per l’identificazione del contatto iniziale può contribuire a una più ampia comprensione dei risultati dell’andatura di corsa nel punto di impatto grazie alla loro sensibilità alle forze del terreno (Falbriard et al., 2018). In particolare, utilizzando il contatto iniziale come marcatore dell’accelerometro, possiamo ricercare i risultati basati sulla rotazione che circondano il contatto iniziale (ad esempio, la pronazione e la posizione dell’impatto del piede).Tempo di contatto con il suolo.Il tempo di contatto con il suolo è essenziale da comprendere a causa delle implicazioni per la gestione dell’economia (Di Michele e Merni, 2014). L’approccio valutato si comporta senza problemi quando si osservano gli errori medi dei dati etichettati, dimostrando efficacia tra 8-12 km/h (errore medio 0,32-2,65%), con un degrado a 14 km/h + (3,94% di errore medio a 14 km/h; 10+ % di errore medio a autoselezione); si veda la Tabella 3 . Tuttavia, osservando i grafici box e Bland Altman (figure 4, 5 e 5), si può notare che, nonostante la bassa deviazione dalle etichette medie a velocità più elevate (14 km/h+), vi è una gamma significativamente più ampia di valori stimati. Questi risultati sono paragonabili a lavori simili nel settore. Ad esempio, Falbriard et al. (2018) hanno valutato una serie di caratteristiche del segnale (ad esempio, min/max, ZC) per l’identificazione dei risultati temporali dell’andatura, compreso il tempo di contatto con il suolo. Analogamente all’algoritmo valutato, utilizzando caratteristiche selezionate in modo ottimale, l’approccio ha presentato una degradazione dell’accuratezza rispetto alla velocità. Tuttavia, il lavoro osservato fornisce anche una discussione su caratteristiche alternative meno performanti (ad esempio, il minimo della velocità angolare del passo nella zona IC e il massimo dell’accelerazione verticale nella zona TC) che non sono influenzate in modo significativo dalla velocità e che potrebbero meritare ulteriori indagini per l’uso nella corsa ad alta velocità.Estrazione delle caratteristiche dell’andatura.Il livello di estrazione delle caratteristiche dell’andatura dell’algoritmo si basa sull’osservazione della velocità angolare orizzontale e verticale del piede al momento dell’impatto, rispettivamente per la pronazione e la posizione dell’impatto del piede. La tabella 1 illustra le prestazioni del livello di estrazione delle caratteristiche dell’andatura, dimostrando prestazioni costantemente eccellenti a diverse velocità per l’identificazione della posizione di impatto del piede, ma mostrando prestazioni degradate nell’identificazione della pronazione a velocità più elevate.Analizzando i piani di velocità rotazionale orizzontali (pronazione) e verticali (posizione dell’impatto del piede), è emerso un rumore estraneo intorno a un evento di contatto iniziale nel piano di velocità rotazionale verticale a velocità più elevate; si veda la Figura 6 . La Tabella supplementare 1 mostra il rapporto medio tra rumore e segnale nell’intervallo di velocità sia verticale che orizzontale all’interno di una finestra di 167 ms (10 Hz) di un evento di contatto iniziale. L’esperimento dimostra un evidente e significativo aumento del rumore (+10,1%) nella rotazione orizzontale tra le velocità basse e quelle alte, che spiega la degradazione dell’accuratezza della pronazione. Al contrario, il rumore nel piano di rotazione verticale è notevolmente inferiore a tutte le velocità di rotazione, il che si accompagna a risultati sempre eccellenti. L’uso di una trasformata wavelet continua (CWT) potrebbe essere giustificato nelle iterazioni future, grazie alle sue elevate prestazioni nelle applicazioni a singolo sensore attraverso la soppressione del rumore mediante la rimozione delle fluttuazioni estranee del segnale, che porta a estrazioni più chiare delle caratteristiche dell’andatura (McCamley et al., 2012).L’approccio proposto ha prestazioni paragonabili a quelle di altri lavori simili in questo campo. Ad esempio, Murai et al. (2018) hanno utilizzato una singola IMU montata sul piede per osservare la velocità angolare del piede durante l’impatto e valutare la pronazione con una correlazione di r = 0,800, che coincide con il nostro punteggio ICC (2,1) di 0,779-0,867 tra gli 8 e i 12 km/h. Tuttavia, il nostro approccio valutato fornisce un numero significativamente più elevato di partecipanti (31 corridori di varie caratteristiche demografiche: approccio valutato, dieci corridori maschi: studio osservato) e una visione della velocità dei corridori e di come questa influisca sulle prestazioni, fornendo una valutazione più generalizzabile della valutazione della pronazione basata su IMU.Implicazioni della valutazione dell’andatura di corsa a corpo libero.Grazie allo sviluppo e alla valutazione di un algoritmo basato su IMU con risultati promettenti, l’approccio offre la possibilità di essere implementato in tecnologie commerciali a basso costo, riducendo la dipendenza dall’analisi di esperti e/o da tecnologie gold-standard ad alto costo (Young et al., 2020). La metodologia qui studiata si concentra principalmente sull’estrazione di caratteristiche dell’andatura durante la corsa su tapis roulant da utilizzare in ambienti abituali o con poche risorse. Tuttavia, vi è un dibattito sull’efficacia della valutazione dell’andatura su tapis roulant a causa della diversa cinematica dell’andatura negli scenari di corsa su strada e all’aperto (Lafferty et al., 2021; Benson et al., 2022), che potenzialmente inibisce l’utilità del metodo ZC valutato. Di conseguenza, l’approccio dovrebbe essere convalidato in scenari all’aperto per valutarne le prestazioni in ambienti non controllati. Nell’eseguire la validazione all’aperto, l’uso di metodi basati su IMU potrebbe contribuire a un’analisi dell’andatura di corsa su scala reale, fornendo osservazioni relativamente rade e a lungo termine, come il monitoraggio dell’andatura su 10 km o sulla maratona (Benson et al., 2018; Meyer et al., 2021).Limitazioni.A causa del potenziale di forze d’impatto elevate a velocità maggiori, l’uso di una scarpa da corsa durante i test era giustificato per ridurre al minimo il rischio di lesioni legate all’impatto (Sun et al., 2020). Le scarpe da corsa utilizzate in questo studio (Saucony Guide Runner) sono scarpe a ammortizzazione neutra e, pertanto, non forniscono un supporto che minimizza la pronazione. Tuttavia, è opinione diffusa che le scarpe da corsa influenzino e modifichino gli aspetti dell’andatura del corridore in opposizione alla corsa a piedi nudi (Stacoff et al., 1991; Aguinaldo e Mahar, 2003; Jandová et al., 2018). Di conseguenza, sebbene gli algoritmi valutati siano in grado di estrarre la pronazione, la posizione dell’impatto del piede e il tempo di contatto con il suolo rispetto ai dati etichettati, i risultati potrebbero non essere indicativi dell’andatura ‘vera’ del corridore, ossia quando corre a piedi nudi. Inoltre, le scarpe da corsa riducono la forza d’impatto sulle estremità inferiori (Aguinaldo e Mahar, 2003), riducendo potenzialmente al minimo l’accelerazione all’impatto osservata dall’IMU rispetto a lavori precedenti (Young et al., 2020). Per questo motivo, sebbene l’approccio ZC valutato per l’identificazione dell’IC si comporti bene all’interno dei vincoli dello studio, va notato che l’approccio ZC potrebbe non essere scalabile tra scarpe da corsa diverse, cioè quelle che presentano livelli di supporto maggiori.Le IMU sono soggette a errori di deriva dovuti al rumore ad alta frequenza dei sistemi microelettromeccanici (Narasimhappa et al., 2019) e al potenziale disallineamento locale. Sebbene l’algoritmo valutato tenga conto dell’errore di allineamento locale e utilizzi un filtro Butterworth per tenere conto del rumore, questo approccio potrebbe non essere esente da deriva tra diversi schemi di corsa, il che potrebbe influire sui risultati dell’andatura. Pertanto, per garantire che l’approccio non sia ostacolato dalla deriva, potrebbe essere necessario implementare un algoritmo che minimizzi la deriva (Falbriard et al., 2020). Questo potrebbe essere particolarmente utile nell’analisi a velocità elevate, dove i sensori possono essere più suscettibili alla deriva a causa dell’esposizione prolungata a forze ad alto impatto.Lavoro futuro.Attualmente, l’algoritmo valutato degrada nelle prestazioni a velocità più elevate (14 km/h+) a causa del rumore estraneo riscontrato a velocità d’impatto più elevate e dell’errata identificazione degli eventi di contatto iniziali. Sono state identificate alcune carenze per le iterazioni future dell’algoritmo, in particolare la necessità di utilizzare l’elaborazione CWT e la potenziale implementazione dell’intelligenza artificiale per l’identificazione degli eventi IC nei segnali anomali. Il lavoro futuro prevede la convalida dell’approccio nella corsa all’aperto (cioè fuori dal tapis roulant), per valutare la valutazione dell’andatura di corsa basata sull’IMU per periodi prolungati.Conclusioni.Il lavoro proposto studia e valuta una metodologia ZC per l’estrazione di una serie di proprietà biomeccaniche da una singola IMU montata sul piede che potrebbe essere utile per l’analisi generale dell’andatura di corsa. Il metodo valutato ha dimostrato la sua utilità nel quantificare la posizione dell’impatto del piede, la gravità della pronazione e il tempo di contatto con il suolo durante la corsa su tapis roulant a velocità fino a 12 km/h, mostrando buoni ed eccellenti accordi con la cattura del movimento 3D. Con questa indagine sulla metodologia ZC per la valutazione dell’andatura di corsa, contribuiamo a comprendere l’efficacia e l’utilità delle IMU indossabili durante l’andatura di corsa. In particolare, forniamo approcci alla comprensione della corsa con apparecchiature a basso costo per promuovere una valutazione personalizzata e oggettiva dell’andatura di corsa e ridurre la dipendenza da approcci tradizionali e soggettivi.Dichiarazione sulla disponibilità dei dati.I dati grezzi che supportano le conclusioni di questo articolo saranno resi disponibili dagli autori, senza alcuna riserva.Dichiarazione etica.Gli studi che hanno coinvolto partecipanti umani sono stati esaminati e approvati dal Comitato etico per la ricerca della Northumbria University. I pazienti/partecipanti hanno fornito il loro consenso informato scritto a partecipare a questo studio.Contributi degli autori.FY e AG hanno concettualizzato la domanda e l’ipotesi. FY, SS e AG hanno progettato lo studio da cui provengono i dati. FY e RMa hanno contribuito alla raccolta e all’analisi dei dati. FY ha scritto la prima bozza. FY, RMa, CW, RMo, SS e AG hanno contribuito all’interpretazione, alla stesura e alla revisione del manoscritto. Tutti gli autori hanno contribuito alla stesura dell’articolo e hanno approvato la versione presentata.Finanziamenti.Il lavoro è stato sostenuto dalla Northumbria University e dal Fondo europeo di sviluppo regionale (FESR) Intensive Industrial Innovation Programme (IIIP). È stato realizzato attraverso la Northumbria University (numero di sovvenzione: 25R17P01847).Conflitto di interessi.Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che possano essere interpretate come un potenziale conflitto di interessi.Nota dell’editore.Tutte le affermazioni espresse in questo articolo sono esclusivamente quelle degli autori e non rappresentano necessariamente quelle delle loro organizzazioni affiliate, né quelle dell’editore, dei redattori e dei revisori. Qualsiasi prodotto valutato in questo articolo, o qualsiasi affermazione fatta dal suo produttore, non è garantito o approvato dall’editore.Ringraziamenti.Gli autori desiderano ringraziare tutti coloro che si sono offerti volontari nell’ambito di questo studio.