Epidemiological studies have identified kneeling as an occupational risk factor for knee joint osteoarthritis (KOA), but direct biomechanical evidence for this relationship is lacking. We hypothesize one mechanism by which prolonged static kneeling may cause KOA is by compromising the integrity of the knee joint thereby increasing knee joint instability, which manifests as altered ambulatory loading profiles. Therefore, the purpose of this exploratory study was to investigate the effect of sustained static kneeling on knee joint gait parameters. Ten healthy male subjects (24.1 years ± 3.5) volunteered for this study. Each subject’s dominant leg was instrumented with markers to track lower limb motion and with surface electromyography electrodes to record quadriceps, hamstrings, and gastrocnemius muscle activity. Subjects performed ten walking trials at a self-selected normal pace over a force plate embedded in the floor. They then performed a kneeling protocol of three bouts of ten minutes of kneeling, each separated by a five minute seated rest period. Subsequently, a set of ten walking trials were performed after a short rest and equipment verification period. The ground reaction force and motion data were used to calculate the peak knee adduction moments, knee flexion moments, and knee flexion angles during the stance phase. The total muscle activity for each muscle during a single gait cycle as well as the co-contraction of the medial thigh muscles and the lateral thigh muscles were calculated from the surface electromyography data. One-sample t-tests were run on the absolute value of the pre- and post-kneeling outcome measures. All outcome measures were different across conditions indicating that the loading patterns were altered, in no specific direction, as a result of the static kneeling protocol. These results offer preliminary evidence to support the epidemiological findings that thirty minutes of daily occupational kneeling is associated with a higher prevalence of KOA. Further investigation is required to explore the importance of post-kneeling recovery, posture-induced blood occlusion, and cartilage stress due to cumulative loading while kneeling, as well as to test the clinical significance of the present findings. / Thesis (Master, Kinesiology & Health Studies) -- Queen's University, 2008-08-11 23:30:10.708

In this report we investigate how well a smartphone can be used to detect the standing-to-kneeling and kneeling-to-standing postural transitions. Possible applications include measuring time spent kneeling in certain groups of workers prone to knee-straining work. Accelerometer and gyroscope data was recorded from a group of 10 volunteers while performing a set of postural transitions according to an experimental script. The set of postural transitions included the standing-to-kneeling and kneeling-to-standing transitions, in addition to a selection of transitions common in knee-straining occupations. Using recorded video, the recorded data was labeled and segmented into a data set consisting of 3-second sensor data segments in 9 different classes. The classification performance of a number of different LSTM-networks were evaluated on the data set. When evaluated in a user-specific setting, the best network achieved an overall classification accuracy of 89.4 %. The network achieved precision 0.982 and recall 0.917 for the standing-to-kneeling transitions, and precision 0.900 and recall 0.900 for the kneeling-to-standing transitions. When the same network was evaluated in a user-independent setting it achieved an overall accuracy of 66.3 %, with precision 0.720 and recall 0.746 for the standing-to-kneeling transitions, and precision 0.707 and recall 0.604 for the kneeling-to-standing transitions. The network was also evaluated in a setting where only accelerometer data was used. The achieved performance was similar to that achieved when using data from both the accelerometer and gyroscope. The classification speed of the network was evaluated on a smartphone. On a Samsung Galaxy S7 the average time needed to perform one classification was 38.5 milliseconds. The classification can therefore be done in real time. / I denna rapport undersöks möjligheten att använda en smartphone för att upptäcka posturala övergångar mellan stående och knästående ställning. Ett möjligt användningsområde för sådan detektion är att mäta mängd tid spenderad knäståendes hos vissa yrkesgrupper. Accelerometerdata och gyroskopdata spelades in från en grupp av 10 försökspersoner medan de utförde vissa posturala övergångar, vilka inkluderade övergångar från stående till knästående ställning samt från knästående till stående ställning. Genom att granska inspelad video från försöken markerades bitar av den inspelade datan som tillhörandes en viss postural övergång. Datan segmenterades och gav upphov till ett dataset bestående av 3 sekunder långa segment av sensordata i 9 olika klasser. Prestandan för ett antal olika LSTM-nätverk utvärderades på datasetet. Det bästa nätverket uppnådde en övergripande noggrannhet av 89.4 % när det utvärderades användarspecifikt. Nätverket uppnådde en precision av 0.982 och en återkallelse av 0.917 för övergångar från stående till knästående ställning, samt en precision av 0.900 och en återkallelse av 0.900 för övergångar från knästående till stående ställning. När samma nätverk utvärderades användaroberoende uppnådde det en övergripande noggrannhet av 66.3 %, med en precision av 0.720 och återkallelse av 0.746 för övergångar från stående till knästående ställning, samt en precision av 0.707 och återkallelse av 0.604 för övergångar mellan knästående och stående ställning. Nätverket utvärderades också i en konfiguration där enbart accelerometerdata nyttjades, och uppnådde liknande prestanda som när både accelerometerdata och gyroskopdata användes. Nätverkets klassificeringshastighet utvärderades på en smartphone. När klassificeringen utfördes på en Samsung Galaxy S7 var den genomsnittliga körningstiden 38.5 millisekunder, vilket är snabbt nog för att utföras i realtid.