• hidden markov model
• pressure sensor
• gait-phase detection
• foot pressure patterns

In questo lavoro è stato presentato un metodo per eseguire la segmentazione automatica della camminata sulla base dell'analisi di variabili relative alla pressione plantare.
I risultati hanno dato buoni risultati, con una media di campioni classificati correttamente intorno al 95% e le percentuali di transizioni di fase detectate all'interno di una finestra di tolleranza di 50 ms variabili in un range di 85-90%. La robustezza dell'algoritmo è stata verificata mediante test eseguiti con diverse velocità di camminata. Le performance sono risultate più alte per i dataset contenenti i passi più veloci (media 98.5%) rispetto ai passi più lenti (media 93%).
E' stato condotto un ulteriore studio in cui sono stati utilizzati come input dell'algoritmo tre tipi di variabili, differenti in termini di livello di elaborazione dei segnali richiesto, per capire se fosse possibile operare su variabili più grezze delle variabili biomeccaniche, quali i voltaggi dei sensori o le relative forze. I risultati hanno mostrato una netta differenza delle prestazioni con i dataset costituiti dalle variabili biomeccaniche (minimo: 94,9%, massimo: 96,8%) rispetto ai dataset costituiti dai voltaggi (70,7% e 80,3%) o dalle forze (72,3% e 88,4%), suggerendo una difficoltà nel raggiungere elevate performance se il trattamento dati non è adeguato.