Validation de mesures d’amplitude d’élévation et d'activité ......Validation de mesures...
127
© Isabelle Poitras, 2019 Validation de mesures d’amplitude d’élévation et d'activité musculaire à l’aide de capteurs sans fil pour l'analyse de mouvements fonctionnels à l’épaule Mémoire Isabelle Poitras Maîtrise en sciences cliniques et biomédicales - avec mémoire Maître ès sciences (M. Sc.) Québec, Canada
Transcript of Validation de mesures d’amplitude d’élévation et d'activité ......Validation de mesures...
© Isabelle Poitras, 2019
Validation de mesures d’amplitude d’élévation et d'activité musculaire à l’aide de capteurs sans fil pour
l'analyse de mouvements fonctionnels à l’épaule
Mémoire
Isabelle Poitras
Maîtrise en sciences cliniques et biomédicales - avec mémoire
Maître ès sciences (M. Sc.)
Québec, Canada
Validation de mesures d’amplitude d’élévation et
d’activité musculaire à l’aide de capteurs sans fil
pour l’analyse de mouvements fonctionnels à
l’épaule
Mémoire
Isabelle Poitras
Sous la direction de :
Jean-Sébastien Roy, directeur de recherche
Catherine Mercier, codirectrice de recherche
ii
Résumé
L’utilisation de données quantitatives afin de diminuer la prévalence des blessures musculosquelettiques liées
au travail est souhaitée et le développement de systèmes portables permettant de mesurer l’amplitude articulaire
(capteurs inertiels; IMU) et l’activité musculaire (électromyographie; EMG) pourrait permettre d’obtenir ce type
de données. La revue systématique de la littérature sur la validité des capteurs inertiels effectuée dans le cadre
de ce mémoire a permis d’identifier un manque d’évidence scientifique pour l’évaluation des mouvements
complexes à l’épaule. L’objectif principal de ce mémoire est donc (1) d’évaluer la validité concourante d’IMU
(Xsens) dans le calcul d’élévation du bras comparé à un système de capture de mouvements (Vicon) lors de
mouvements simples et lors de tâches de manutention; et (2) d’établir la validité discriminante du système
d’EMG (Trigno) pour évaluer l’activité musculaire. Méthodologie : Seize sujets ont participé à une séance
d’évaluation demandant la réalisation de mouvements simples à l’épaule et de transport de charges (poids et
hauteurs de transport variables). Le coefficient de corrélation et l’erreur de mesure (RMSE) ont été calculés afin
de comparer les mesures d’amplitude articulaire obtenues à l’aide du Xsens et du Vicon et le root mean square
(RMS) ainsi que le pic d’activité musculaire des deltoïdes (antérieurs et moyens) ont été calculés pour
déterminer l’effet du poids et de la hauteur (ANOVA à mesures répétées). Résultats : Les coefficients de
corrélation entre les amplitudes articulaires obtenues par le Xsens et le Vicon sont élevés (>0,84) et les RMSE
sont bas (<11,5°). Un effet significatif du poids et de la hauteur, et un effet d’interaction poids x hauteur ont été
observés pour le RMS du deltoïde antérieur (p<0,001) et moyen (p<0,03) et pour le pic d’activité du deltoïde
antérieur (p<0,003). Conclusion : L’utilisation combinée du Xsens et du Trigno est un outil intéressant afin
d’identifier le niveau de demande de l’emploi, puisqu’ils recueillent des données valides d’amplitude articulaire
et d’activité musculaire.
iii
Abstract
Quantitative assessments of workplace settings are required to diminish the prevalence of work-related shoulder
disorders. Recent development of wearable sensors to record muscle activity (electromyography [EMG]; Trigno,
Delsys) as well as shoulder range of motion (inertial measurement unit; MVN, Xsens) could potentially be used
for such workplace assessments. A systematic review on the validity and reliability of IMUs performed within this
thesis identified a knowledge gap for shoulder joint movements during complex tasks. The primary objective of
this thesis was therefore (1) to assess the concurrent validity of the Xsens system for assessment of shoulder
range of motion compared to a motion capture system (Vicon) during simple movements and working tasks and
(2) to establish the discriminative validity of the Trigno EMG system for the evaluation of muscle activity.
Methodology: Sixteen subjects participated in one session in which they performed simple movements and
work lifting tasks (different weights and lifting heights). The correlation coefficient (r) and the root mean square
error (RMSE) were used to compare the data collected by the Xsens and the Vicon. The root mean square EMG
envelope (RMS) and the peak EMG activity of anterior and middle deltoids were used to establish the effect of
weight and height (repeated measure ANOVA). Results: The correlation coefficient between joint angles
measured with the Xsens and the Vicon was high (>0.84) and the RMSE was low (<12.82°). A significant effect
of weight, height and a weight x height interaction effect were observed for the RMS (anterior; p<0.001; middle:
p<0.03) and the peak EMG activity (anterior; p<0.003). Conclusion: The combination of an inertial
measurement unit system and a wireless EMG is a potentially useful tool to assess physical demand in real work
context as it provides valid data on muscular activity and range of motion.
iv
Table des matières
Résumé ................................................................................................................................................ ii
Abstract .............................................................................................................................................. iii
Table des matières .............................................................................................................................. iv
Liste des figures ................................................................................................................................ vii
Liste des tableaux ............................................................................................................................. viii
Liste des abréviations ......................................................................................................................... ix
Remerciements .................................................................................................................................... x
Avant-propos ..................................................................................................................................... xii
Introduction ......................................................................................................................................... 1
1. Lésions musculosquelettiques aux membres supérieurs liées au travail ..................................... 3
1.1 Description de la problématique............................................................................................ 3
1.2. Facteurs de risques ............................................................................................................... 4
2. Évaluation des demandes physiques liées au travail en laboratoire et hors laboratoire ............ 11
2.1. En clinique (mesures hors laboratoires) : ........................................................................... 11
2.2 En laboratoire ...................................................................................................................... 13
Objectifs ........................................................................................................................................ 23
Objectif 1 : ................................................................................................................................. 23
Objectif 2 : ................................................................................................................................. 23
Chapitre 1: Validity and reliability of wearable sensors for joint angle estimation: a systematic
review ................................................................................................................................................ 24
2.1 Résumé .................................................................................................................................... 24
2.2 Abstract ................................................................................................................................... 25
2.3 Introduction ............................................................................................................................. 25
2.4 Materials and Methods ............................................................................................................ 27
2.4.1. Description of the Systems .............................................................................................. 27
2.4.2. Data Sources .................................................................................................................... 29
2.4.3. Quality Assessment ......................................................................................................... 30
2.4.4. Data Extractions .............................................................................................................. 31
2.4.5 Data Analysis ................................................................................................................... 31
2.5 Results ..................................................................................................................................... 33
2.5.1. Characteristics of Studies ................................................................................................ 33
2.5.2. Methodological Quality ................................................................................................... 34
v
2.5.3. Criterion Validity and Errors of Measurement by Body Region .................................... 37
2.5.4. Reliability by Joint .......................................................................................................... 40
2.6 Discussion ............................................................................................................................... 42
2.7 Conclusion ............................................................................................................................... 46
Chapitre 2: Validity of Wearable Sensors at Shoulder Joint: Combining Wireless Electromyography
Sensors and Inertial Measurement Units to Perform Physical Workplace Assessment .................... 48
3.1 Résumé .................................................................................................................................... 48
3.2 Abstract ................................................................................................................................... 49
3.3 Introduction ............................................................................................................................. 49
3.3 Materials and Methods ............................................................................................................ 52
3.3.1. Participants: ..................................................................................................................... 52
3.3.2. Instrumentation and data collection: ............................................................................... 52
3.3.3 Study design and experimental procedure: ...................................................................... 53
3.3.4. Data processing: .............................................................................................................. 54
3.3.5. Statistical analysis: .......................................................................................................... 56
3.4 Results ..................................................................................................................................... 56
3.4.1. Kinematic data: ............................................................................................................... 56
3.4.2. EMG activity ................................................................................................................... 59
3.5 Discussion ............................................................................................................................... 64
3.5.1. Technical issues to be considered prior to clinical implantation: .................................... 66
3.5.2. Study limitations: ............................................................................................................ 66
3.6 Conclusion ............................................................................................................................... 67
Chapitre 3 - Discussion ..................................................................................................................... 68
4.1. Résumé des résultats du Chapitre 1 ........................................................................................ 68
4.2. Résumé des résultats du Chapitre 2 ........................................................................................ 69
4.3. Considérations au niveau du protocole expérimental et techniques – sources d’erreurs
potentielles .................................................................................................................................... 70
4.3.1. Capteurs inertiels ............................................................................................................. 70
4.3.2. EMG ................................................................................................................................ 72
4.4. Retombées cliniques potentielles ........................................................................................... 74
4.4.1. Utilisations potentielles ................................................................................................... 74
4.4.2. Limitations techniques .................................................................................................... 74
4.4.3. Comparaison avec les outils cliniques actuels ................................................................ 75
Conclusion......................................................................................................................................... 75
vi
Bibliographie ..................................................................................................................................... 77
Annexe A – Supplementary files Chapitre 1 ..................................................................................... 85
vii
Liste des figures
Figure 1-1 : Exemple d’un système d’axes ....................................................................................... 14
Figure 1-2 : Signal EMG non traité (raw EMG) ............................................................................... 21
Figure 2-1 : Sensors placement example, a) front view, b) back view. ............................................ 28
Figure 2-2: Flow chart of systematic review process ........................................................................ 33
Figure 3-1: A) Positioning example for sensors – front view, B) Positioning example for sensors –
back view, C) Lifting trial example; for this specific trial, the left arm was analyzed as it was the
arm which was farther from the body when lifting. .......................................................................... 55
Figure 3-2: Kinematic pattern (range of motion) of a typical subject performing simple movements
(A: 90° shoulder flexion , B: 90° shoulder abduction, C: 90° shoulder scaption, D: 90° shoulder
flexion combined to trunk flexion, E: 90° shoulder flexion combined to lateral trunk bending, F: 90°
shoulder flexion combined to trunk rotation) and a complex task (G: lifting and dropping of a crate
on the medium shelf). Vicon kinematic pattern is traced in red and Xsens kinematic pattern is traced
in black. ............................................................................................................................................. 57
Figure 3-3 : Anterior deltoid EMG activity (RMS) for a typical subject for different shelves (A:
Lower shelf, B: Medium shelf, C: Higher shelf) and weights (Lower shelf: L1 = 2.3 kg, L2 = 6.8 kg,
L3 = 13.6 kg, L4 = 22.7kg; Medium shelf: M1 = 2.3 kg, M2 = 6.8 kg; Higher shelf: H1 = 2.3 kg,
H2 = 6.8 kg). ..................................................................................................................................... 60
viii
Liste des tableaux
Table 2-1: Synthesis of overall quality and body of evidence by joint. ............................................ 35
Table 3-1 : Correlation coefficient, root-mean-square error, average error of estimate and absolute
error for simple and complex movements. ........................................................................................ 58
Table 3-2 : Mean and SD of normalized EMG activity (area under the curve and peak EMG
activity) for anterior and middle deltoids. ......................................................................................... 61
Table 3-3: Results for anterior and middle deltoids’ EMG activity (p-value and effect size for area
under the curve and peak EMG activity)........................................................................................... 62
Table S-1: Specialized keywords used for each database search ...................................................... 85
Table S-2 : Synthesis of criterion validity results ............................................................................. 86
Table S-3: Synthesis of reliability results ....................................................................................... 102
Table S-4 : Assessment of methodological quality by an appraisal quality tool (MacDermid & al.,
2008) ............................................................................................................................................... 109
Table S-5 : Assessment of studies examining measurement errors (absolute measures) using
COSMIN checklist (box B) ............................................................................................................. 111
Table S-6 : Assessment of studies examining measurement errors (absolute measures) using
COSMIN checklist (box C) ............................................................................................................. 112
Table S-7 : Assessment of studies examining criterion validity using COSMIN checklist (box H)
......................................................................................................................................................... 113
ix
Liste des abréviations
ANOVA: analysis of variance
CMC: coefficient of multiple correlation
coll. : collaborateurs
EMG : électromyographie (en anglais: Electromyography)
EMGs : électromyographie de surface (en anglais: sEMG surface electromyography)
ex. exemple
HQ : high quality
Hz : Hertz
IMU : inertial measurement unit
ICC : coefficients de corrélation intraclasse (en anglais: Intraclass Correlation Coefficient)
kg : kilogramme
LoA: lower limit of agreement
LQ: lower quality
MQ : moderate quality
MUAP : potentiel d’action des unités motrices (en anglais : motor unit action potential)
MVC: contraction maximale volontaire (anglais: maximum voluntary contraction)
PRISMA: Preferred Reporting Items for Systematic Reviews and Meta-Analyses
r: coefficient de corrélation
r2: coefficient de détermination
RMS: root mean square
RMSE: erreur de mesures (anglais: root mean square error)
ROM: range of motion
SD: standard deviation
SEM: standard error of the mean
VLQ: very low quality
x
Remerciements
Avant de vous présenter le fruit du travail de mes deux dernières années, je tiens à remercier
personnellement les gens qui ont rendu cette aventure possible. Un merci spécial à mon directeur de
recherche Jean-Sébastien Roy qui, par ses conseils, son support et son dynamisme, a rendu cette
expérience enrichissante et agréable. Merci d’avoir poussé mes réflexions plus loin et d’avoir fait de
moi une meilleure scientifique. Je tiens également à remercier chaleureusement ma codirectrice de
recherche et mentor depuis 2015, Catherine Mercier. Merci de m’avoir permis de faire mes premiers
pas en recherche clinique et de m’avoir transmis ta passion, mais merci également de me montrer
chaque jour toute la place disponible pour les femmes en recherche. Je tiens aussi à souligner l’apport
colossal de Laurent Bouyer et Alexandre Campeau-Lecours. La réalisation d’une maîtrise de
recherche demande des expertises variées et sans vos connaissances et votre patience dans mes
balbutiements avec MatLab rien de tout ça n’aurait été possible. Je tiens également à remercier mon
collègue de bureau, Mathieu Bielmann, pour son aide, son expertise et son support moral dans
l’ensemble des analyses.
Merci également à tous les organismes subventionnaires (FRQS, IRSC et IRSST) qui m’ont
supportée dans la réalisation de tous mes projets en plus de me permettre de participer à de nombreux
événements scientifiques. Des idées ne sont rien sans moyen pour les accomplir, je tiens donc
également à remercier Guy St-Vincent et Jean Leblond, respectivement ingénieur et statisticien au
laboratoire, pour leurs aides techniques et statistiques.
Un énorme merci à toute l’équipe du laboratoire qui a rendu ma maîtrise aussi enrichissante
scientifiquement, que socialement et personnellement. Merci pour les grandes discussions et les fous
rires. Vous avez su m’aider à maintenir un équilibre travail-vie sociale satisfaisant. Un merci tout
spécial à Anne et Rosanne qui ont su me conseiller, m’écouter et me supporter dans mes grandes
interrogations, votre présence a été primordiale. Je tiens également à remercier la personne qui a remis
en question mon choix de carrière il y a de cela 6 ans, Henri. Sans toi je serais passée à côté de ce qui
me passionne maintenant. Merci de me rassurer et de me faire douter quand il le faut, ton apport dans
mon parcours a été inestimable et je l’espère se poursuivra dans les prochaines étapes.
Je veux également dire un merci particulier à mon filet de sécurité et ma plus grande
admiratrice, ma mère Gaétane. Merci d’y avoir cru quand j’y croyais moins. Ta présence, tes bons
mots et ta confiance en mes capacités m’ont permis de me rendre là où mon cœur le voulait.
xi
Je termine en remerciant mon père et mes amis qui ont été présents et à l’écoute durant ces
deux années. Je ne peux malheureusement pas tous vous écrire ici, mais j’ai une pensée pour chacun
d’entre vous en écrivant ces lignes.
Merci d’être là jour après jour, je l’apprécie sincèrement.
xii
Avant-propos
Le présent mémoire comporte quatre sections, dont deux (Chapitre 1 et 2) sont composés
d’un article scientifique. Le Chapitre 1 a pour titre : Validity and reliability of wearable sensors for
joint angle estimation: a systematic review. Cet article sert d’introduction au Chapitre 2 (Validity of
Wearable Sensors at Shoulder Joint: Combining Wireless Electromyography Sensors and Inertial
Measurement Units to Perform Physical Workplace Assessment) en faisant la revue de l’ensemble
des connaissances sur la validité et la fidélité des capteurs inertiels utilisés dans le deuxième article.
Le protocole de ce deuxième article est basé sur les conclusions de la revue systématique, c’est-à-dire
qu’un manque de littérature est présent actuellement au niveau de l’épaule. La revue systématique a
été publiée par le journal Sensors le 31 mars 2019. Le deuxième article a été publié par le journal
Sensors le 19 avril 2019. Je suis première auteure sur les deux articles intégrés à ce mémoire. Pour le
Chapitre 1, j’ai effectué la préparation de la stratégie de recherche, la sélection des articles,
l’évaluation et l’extraction des articles retenus, ainsi que la rédaction. Les coauteurs sont Frédérique
Dupuis, Mathieu Bielmann, Alexandre Campeau-Lecours, Catherine Mercier, Laurent J. Bouyer et
Jean-Sébastien Roy. Pour le Chapitre 2, j’ai effectué la demande à l’éthique, la mise en place du
protocole, la collecte et l’analyse des données, ainsi que la rédaction. Les coauteurs sont Mathieu
Bielmann, Alexandre Campeau-Lecours, Catherine Mercier, Laurent J. Bouyer et Jean-Sébastien
Roy.
1
Introduction
Le diagnostic, le suivi des symptômes, la prévention et le traitement des blessures
musculosquelettiques nécessitent souvent la prise de mesures d’amplitude articulaire, de force
musculaire et d’activité musculaire. En clinique, la dynamométrie (ex. Biodex, Jamar) est utilisée
pour objectiver la force musculaire résiduelle. Ces différents appareils permettent de quantifier la
force musculaire maximale dans un mouvement, mais n’allouent pas la possibilité de mesurer la
demande musculaire en continu requise lors d’une tâche fonctionnelle. C’est pour cette raison que
des systèmes d’électromyographie (EMG) (avec ou sans fil) sont utilisés en laboratoire afin de
quantifier l’activité musculaire avec précision [1]. Pour ce qui est de l’amplitude articulaire, les
outils les plus souvent utilisés en clinique sont l’inclinomètre et le goniomètre [2, 3]. Ces outils
sont utiles pour effectuer des mesures en passif ou en actif (inclinomètre/goniomètre). Toutefois,
ils ne permettent pas la prise de mesure en continu lors d’une activité fonctionnelle et se limitent
à des mesures prises dans un seul plan de mouvements, ce qui est peu représentatif de la réalité.
En réponse à ce besoin, de nombreuses études en laboratoire ont été effectuées dans les
dernières décennies afin de permettre de quantifier 1) le mouvement humain et 2) l’activité
musculaire de la façon la plus précise possible. Tout d’abord, différents types de systèmes de
capture de mouvements, soit optiques, optoélectroniques ou électromagnétiques, ont été
développés afin de mesurer le mouvement humain. Ceux-ci présentent une excellente validité,
une grande précision et une bonne fidélité [4, 5]. Toutefois, ces appareils sont dispendieux,
volumineux, nécessitent de grands espaces et une expertise importante [6]. Ces limites ont
d’ailleurs mené au développement de systèmes portables, légers et sans-fils permettant des
mesures à l’extérieur du laboratoire : les capteurs inertiels [7]. De plus, afin de quantifier l’activité
musculaire, différents systèmes d’EMG ont été développés, soit des systèmes de mesure
intramusculaire ou de surface (EMGs). Les mesures intramusculaires permettent des mesures de
l’activité des muscles profonds, mais se retrouvent limitées quant à leurs contextes d’utilisation
(douleur associée au mouvement)[8], alors que la mesure d’EMG de surface permet d’effectuer
2
des mesures précises des muscles superficiels dans une variété de conditions expérimentales [9].
De plus, le développement dans les dernières années de systèmes portatifs et sans-fils a diversifié
les contextes potentiels d’utilisation. Ces appareils permettent, tout comme les capteurs inertiels,
d’effectuer des enregistrements de longue durée dans des contextes plus écologiques [10].
D’ailleurs, ces caractéristiques font de ces deux systèmes une combinaison d’outils intéressants
pour la prévention et la gestion des blessures musculosquelettiques, autant au niveau de la
prévention primaire (avant la survenue de la blessure) que secondaire (après la survenue de la
blessure).
Les blessures musculosquelettiques liées au travail représentent un problème de santé
majeur dans les pays industrialisés. La prévalence de travailleurs qui subiront une blessure au
travail se situe entre 20 et 27 % pour une période d’un an [11, 12], et plus particulièrement à 13 %
pour ce qui est des blessures aux épaules (articulation la plus touchée aux membres supérieurs)
[13, 14]. Ce type de lésion a des répercussions importantes, se traduisant par une perte de qualité
de vie pour le travailleur, une diminution de la productivité au travail et des coûts financiers
importants à plusieurs niveaux (employé, employeur et société)[15]. Toutefois, malgré tous les
efforts mis en place, la prévalence de ces blessures continue d’augmenter [13, 16]. Afin d’adopter
des approches préventives permettant de diminuer l’incidence de telles blessures, il est important
de pouvoir quantifier les demandes réelles de l’emploi de façon objective, ce qui permettra de
cibler des interventions de prévention pertinentes. C’est pour cette raison que les capteurs inertiels
et les systèmes d’EMG ont un potentiel intéressant comme outil en réadaptation
socioprofessionnelle. En effet, ces systèmes fournissent des données objectives qui pourraient
permettre de quantifier la demande réelle d’un emploi en enregistrant en continu les mouvements
effectués par le travailleur. De plus, combiner les données recueillies par les deux systèmes
permettrait d’offrir un portrait complet des demandes physiques de l’emploi et ultimement de
pouvoir quantifier le risque de blessure, qui est représenté dans ce cas-ci par les amplitudes
d’élévation à l’épaule et l’activité musculaire déployée, afin d’apporter les modifications requises.
3
Pour d’obtenir des données pertinentes qui permettront de cibler des interventions
efficaces et efficientes, il est important de vérifier la validité et la fidélité de ces nouveaux
systèmes. Les avancées rapides au niveau des technologies portables ont suscité un intérêt
grandissant pour leur utilisation dans divers contextes, mais leur validité demeure à être
démontrée. L’objectif général de ce mémoire est donc d’évaluer la validité de technologies
portables (système d’EMG sans-fils et capteur inertiel) afin qu’elles puissent être utilisées
éventuellement pour quantifier les demandes physiques d’un emploi. Afin de bien comprendre
leur utilité et de bien identifier les variables à quantifier grâce à ces systèmes, un survol des
facteurs de risque, des mécanismes de lésions associés aux blessures musculosquelettiques aux
membres supérieurs, des évaluations actuellement utilisées et des technologies d’analyse de
mouvements et d’activité musculaire actuellement disponibles sont présentées dans la première
partie de ce mémoire.
1. Lésions musculosquelettiques aux membres supérieurs liées
au travail
1.1 Description de la problématique
Les blessures musculosquelettiques liées au travail aux membres supérieurs représentent
un large éventail de pathologies touchant les os, les ligaments, les bourses, la peau, les nerfs ou
encore les muscles de l’épaule, du coude, du poignet ou de la main [17]. Les symptômes rapportés
par les patients sont également variés, tels que de la douleur, des engourdissements, des raideurs,
de l’œdème, un changement de coloration de la peau ou encore des paresthésies [18]. Des
limitations fonctionnelles peuvent également être observées, variant à la fois d’un individu à
l’autre, mais aussi selon la pathologie diagnostiquée. Elles se traduisent souvent par une
diminution de la vitesse de mouvement, de la force, de la mobilité ou du contrôle du mouvement
[17]. Comme définit par la World Health Organization, afin d’être catégorisée comme une
blessure reliée au travail, sa survenue doit être causée par le travail ou à tout le moins, les
symptômes doivent être aggravés par celui-ci [19]. Considérant l’impact important que ce type
4
de blessures a sur la vie du travailleur, son entourage et son employeur, de nombreux efforts ont
été mis en place durant les dernières années afin de mieux comprendre les facteurs de risque
favorisant la survenue de blessures aux membres supérieurs, ainsi que les mécanismes de lésion
sous-jacents [15]. En effet, une meilleure compréhension de la problématique permettra de mettre
en place des interventions de prévention et des traitements plus efficaces afin de diminuer la
prévalence des blessures, ainsi qu’améliorer la qualité de vie des travailleurs atteints.
Les principaux facteurs de risque identifiés peuvent se classifier dans trois catégories [16,
20] : les facteurs psychosociaux (section 1.1.1), personnels (section 1.1.2) et physiques
(section 1.1.3) reliés au travail. Ces facteurs peuvent être reliés entre eux et peuvent avoir un effet
combiné sur la condition de l’individu, ce qui en fait une problématique multifactorielle [21].
Chacun de ces facteurs sera détaillé dans la prochaine section, toutefois une emphase plus
importante sera mise sur les facteurs physiques, car ils seront le sujet principal de ce mémoire.
1.2. Facteurs de risques
1.1.1. Facteurs psychosociaux
Les facteurs psychosociaux associés à la survenue de blessures aux membres supérieurs
liées au travail sont définis comme étant « les risques pour la santé mentale, physique et sociale,
engendrés par les conditions d’emploi et les facteurs organisationnels et relationnels susceptibles
d’interagir avec le fonctionnement mental » [22]. Plusieurs modèles ont été suggérés durant les
dernières décennies afin de mieux comprendre la survenue des blessures musculosquelettiques
liées au travail et l’impact des facteurs psychosociaux dans leur développement [23, 24]. De ceux-
ci, quatre principaux facteurs ont été retenus comme étant associés au développement des
blessures aux membres supérieurs : le faible contrôle sur son environnement, la demande élevée
de l’emploi (cognitive, physique et psychologique), un faible support et un faible niveau de
reconnaissance [25]. Ces facteurs sont reconnus pour avoir un effet individuel, mais également
pour se renforcer mutuellement, ce qui signifie que la combinaison de deux facteurs ou plus a un
5
impact plus important sur la santé du travailleur qu’un facteur seul [26, 27]. Ces facteurs de risque
engendrent des réponses physiologiques, dont le stress, qui a leur tour, contribuent à la
modification du comportement du travailleur et également à la survenue de la lésion (mécanismes
de lésion). [28].
Le stress psychologique, qui peut être relié à l’emploi ou non, intervient de plusieurs
façons, en entraînant une modification du comportement du travailleur, le plaçant ainsi dans des
situations où le risque de blessures est plus grand (ex. augmentation de la vitesse d’exécution,
prise de position contraignante), ou encore par la modification des réponses physiologiques
rendant le système plus vulnérable aux blessures (ex. diminution de la capacité de relaxation
musculaire) [23]. Plus spécifiquement, il a été démontré que la charge biomécanique interne (ex.
force de la contraction musculaire, tension sur les ligaments et structures osseuses) d’une tâche
spécifique peut être augmentée lorsque la personne est exposée à des facteurs de stress, et ce sans
modifier la demande externe de l’emploi [23]. En effet, la force musculaire déployée en situation
de stress serait plus grande, ce qui altérerait les mécanismes de relaxation nécessaires à la
récupération musculaire lors des pauses. Cette absence de repos apporterait une altération de la
fibre musculaire qui est en partie expliquée par la diminution de la taille des vaisseaux sanguins
ce qui entraîne une mauvaise irrigation sanguine des muscles durant l’effort [28] rendant le
travailleur plus vulnérable aux blessures [29]. De plus, les facteurs stressants entraîneraient
également l’utilisation de schémas d’activation musculaire différents par le travailleur, rendant la
performance motrice sous-optimale et moins sécuritaire [30].
1.1.2. Facteurs personnels
Les facteurs personnels sont définis comme des caractéristiques individuelles propres aux
travailleurs qui diffèrent d’un employé à l’autre et qui ne peuvent être modifiés par
l’environnement externe (ex. sexe, âge, comorbidités…)[23]. Dans le cas présent, le fait d’être
une femme et/ou d’être âgé de plus de 55 ans est associé à une augmentation du risque de blessures
aux membres supérieurs [20], tout comme l’obésité [31] et la présence de comorbidités [32].
6
Également, des études ont identifié certains traits de caractère comme facteurs de risque (ex.
personnalité de type A, introversion), mais les évidences à ce sujet demeurent modestes [23]. Le
trait de caractère le plus souvent rapporté dans la littérature est le surengagement dans son emploi.
Les auteurs le définissent comme étant le surinvestissement dans les tâches de travail, et ce même
durant les périodes de loisir, ce qui diminue la capacité à relaxer du travailleur en plus d’avoir un
effet néfaste sur le style de travail adopté par l’employé, le plaçant à risque de blessures [33-35].
Comme ces facteurs sont difficilement modifiables, puisque propres à chaque individu, ils font
très peu souvent l’objet d’études et sont souvent considérés comme des facteurs confondants [21].
Par conséquent, les mécanismes sous-jacents sont très peu étudiés. Ils sont d’ailleurs souvent
reliés à des facteurs de risques physiques et ceux-ci sont détaillés dans la section suivante.
1.1.3. Facteurs physiques
Les facteurs physiques sont définis comme des facteurs d’exposition physique présents
dans le milieu de travail qui place le travailleur à risque de blessures aux membres supérieurs
[26]. Ces facteurs peuvent à la fois être occasionnés par la disposition du poste de travail, par la
nature même de l’emploi, ou comme vu précédemment être exacerbés par des facteurs personnels
propres à l’individu (ex. une personne de petite taille va travailler les bras en élévation plus
fréquemment qu’une personne plus grande)[36]. Ils font souvent l’objet d’intervention en
réadaptation en ergonomie comme ils peuvent être modifiés en adaptant le poste de travail [37].
Au niveau des membres supérieurs, quatre facteurs de risque ont été identifiés : le déploiement
de force excessive, les mouvements répétitifs, le travail avec les bras en élévation (position
contraignante) et la manipulation d’objets vibrants [26]. Chacun de ces facteurs de risque, ainsi
qu’un résumé des mécanismes de lésions associés à chaque facteur, sera décrit dans la prochaine
section.
1.1.3.1. Force excessive
Le déploiement de force excessive à une articulation occasionne la mise en tension des
structures musculaires et articulaires (ex. muscles et tendons) engendrant un risque accru de
7
développement de blessures liées au travail [26, 38]. Au niveau de l’épaule, le risque de blessures
est d’autant plus important puisque l’épaule est l’articulation la plus mobile du corps humain, la
rendant particulièrement vulnérable au changement drastique des forces exercées à son niveau
[39]. Cette mise sous tension, particulièrement lors de contractions excentriques, viendrait
modifier les structures cellulaires et musculaires en étirant de façon importante la fibre musculaire
et en augmentant la réponse inflammatoire associée. Ces réactions physiologiques sont connues
comme étant des facteurs contribuant à la réparation tissulaire suite à un exercice de forte
intensité, mais également comme ayant un rôle au niveau de la dégradation du tissu lorsque le
processus inflammatoire dure plus de 5 jours [40].
Ensuite, il est important de comprendre ce qu’est réellement une force excessive afin de
bien intervenir. Une tâche peut être considérée comme demandant une force excessive lorsqu’elle
excède les capacités physiques du travailleur, mais également lorsqu’elle demande de façon
répétée une contraction demandant plus de 67 % de la contraction maximale volontaire (maximum
voluntary contraction : MVC) du travailleur [41]. Toutefois, les concepts de durée de la tâche et
de répétition peuvent venir modifier cette définition. En effet, un niveau modéré de force déployée
sur une longue période de temps entraîne également une fatigue musculaire importante et un
sentiment d’effort (soulèvement de 5 kg plus de 2 fois par minute)[42]. De plus, un niveau
d’activité musculaire de faible intensité peut aussi être considéré comme excessif (> 10 % de la
MVC) s’il est combiné à la réalisation de mouvements répétitifs (augmentation de 40 % du risque
de blessures)[43]. Cela suggère que les mécanismes de lésion liée au déploiement de force
excessive sont étroitement liés à ceux de la répétition qui sont détaillés dans la prochaine section.
1.1.3.2. Mouvements répétitifs
Les mouvements répétitifs sont définis comme étant la répétition d’une même séquence
de mouvement durant la majeure partie de la journée de travail [44]. Cette tâche nécessite
d’effectuer une contraction sous-maximale des muscles associés au mouvement sur une longue
période de temps, ce qui peut entraîner une certaine fatigue musculaire et ainsi augmenter le risque
8
de blessures. Les travailleurs effectuant des mouvements répétitifs présentent un risque de 1,4 à
1,7 fois plus élevé de développer des blessures aux membres supérieurs que les autres travailleurs
[20]. Les emplois peuvent être classifiés en deux catégories, soit avec un faible ou un haut niveau
de répétition, selon qu’un cycle complet de la tâche dure plus (faible niveau) ou moins (haut
niveau) de 30 secondes [45]. De plus, selon les mêmes auteurs, il y a une augmentation du risque
en fonction de la force déployée à chaque répétition. En effet, les rapports de cotes passent de 3,6
à 30,3 fois plus de risque de développer une blessure lorsque le poids soulevé passe de 1 kg à
4 kg.
La diminution de l’oxygénation du muscle est la principale explication quant au
mécanisme de lésion sous-jacent à une blessure par répétition [46]. En effet, le maintien de
contractions répétées mène à une fatigue musculaire et une diminution de la circulation sanguine
qui entraînent des changements pathophysiologiques au niveau de la fibre musculaire secondaire
à une augmentation des marqueurs inflammatoires présents dans la matrice extracellulaire. Dans
leur synthèse de la littérature, Barr et coll.[46] proposent une théorie selon laquelle ce mécanisme
agirait comme une boucle : la diminution de circulation sanguine catalyse l’augmentation
d’inflammation, l’inflammation engendre des microlésions dans le muscle et un changement de
la composition des fibres musculaires (ex. augmentation de la fibrose dans le tissu musculaire et
nécrose musculaire), puis ces microlésions entraînent à leur tour de la fatigue, et ainsi de suite.
1.1.3.3. Travail avec les bras en élévation/position contraignante
De nombreuses études ont rapporté une augmentation du risque de blessures lorsque les
travailleurs effectuent des tâches avec les bras en élévation [26, 36, 47-49]. Il a également été
démontré que l’augmentation du risque de blessure est de 1,7 à 3 fois plus élevée pour les
travailleurs exposés à ce type de tâches [49, 50]. Une appellation souvent utilisée dans le domaine
de la réadaptation socioprofessionnelle est overhead work, c’est-à-dire travailler avec les bras au-
dessus de la tête. Une autre définition communément reconnue est : « de travailler avec les mains
au-dessus du niveau de l’acromion », ce qui rapporte davantage à des élévations excédant 90° [47,
9
49, 51]. Toutefois, un travail à amplitude moindre, c’est-à-dire à 60° de flexion ou d’abduction,
augmenterait également la prévalence de blessures [52, 53]. Ces différences peuvent être
partiellement expliquées par d’autres facteurs tels que la durée consécutive du travail en élévation
(augmentation significative lorsque le travailleur est en position d’élévation durant 10 % ou plus
de son temps de travail) [49] et la direction dans laquelle le travail est effectué (plus grand risque
de blessures lorsque les mains sont tournées vers l’arrière) [36]. Considérant les contradictions
présentes dans la littérature scientifique concernant le degré d’élévation favorisant les blessures,
les deux amplitudes articulaires considérées comme un seuil augmentant le risque de blessures
(60° et 90°) ont été intégrées dans le protocole principal présenté dans ce mémoire.
Cette grande vulnérabilité du membre supérieur au travail en élévation, et plus
particulièrement de l’articulation de l’épaule, est causée par sa grande mobilité. En effet, l’épaule
est en mesure de bouger dans plus de degrés de liberté que les autres articulations du corps [39].
Cet avantage fonctionnel important a toutefois un coût, l’épaule est également l’articulation la
plus instable du corps humain, ce qui en fait la deuxième articulation la plus touchée par les
blessures musculosquelettiques [54].
Le travail en élévation aux épaules entraîne trois conséquences physiologiques, soit
l’augmentation de la pression intramusculaire, la diminution de la circulation au niveau des
muscles et l’augmentation de la fatigue musculaire [47]. Ces trois mécanismes sont indissociables
et lorsque combinés entraînent une diminution de la capacité du muscle à récupérer lors de tâches
en élévation aux membres supérieurs, et ce pour des tâches de durée variable [47]. En effet, il a
été démontré qu’une tâche, même de courte durée, avec les bras à 90° de flexion ou d’abduction
entraîne une augmentation de la pression intramusculaire dans les muscles de la coiffe des
rotateurs (supra-épineux et infraépineux) [51]. L’augmentation de pression entraîne ensuite la
diminution de la circulation sanguine dans le muscle comprimé [55], et éventuellement,
l’apparition de fatigue musculaire [56]. Les répercussions comportementales de cette cascade
d’événements sont nombreuses et peuvent se traduire par exemple par des changements de
10
position ou une diminution de l’amplitude du mouvement. Ces modifications observables sont
souvent combinées à des changements moins perceptibles au niveau de la biomécanique du
mouvement, telles qu’une diminution de l’angle de l’acromion ou la modification du rythme
scapulohuméral, et ces changements dans le patron de mouvement dit « normal » peuvent mener
à des blessures [57, 58]. Finalement, la friction et les forces transversales s’exerçant sur les tissus
mous auraient également un rôle à jouer dans l’augmentation du niveau d’inflammation lors des
tâches nécessitant l’adoption de positions contraignantes [59].
1.1.3.4 Manipulation d’objets vibrants
La manipulation d’objets vibrants est associée avec une augmentation du risque de
blessures liées au travail, plus particulièrement au niveau de la main, mais aurait aussi un effet
non négligeable quant au développement de blessures aux épaules [59]. En effet, une exposition
prolongée à des vibrations de 125 Hz et plus entraînerait une diminution de la vascularisation des
membres supérieurs, et ce même après avoir cessé l’exposition à la vibration [60]. Au niveau de
l’épaule, l’utilisation pendant deux heures ou plus de son quart de travail d’un objet vibrant
augmente le risque de la survenue d’une tendinopathie de l’épaule de l’ordre de 1,04 à 3,5 fois
[42]. La pathophysiologie liée à ce facteur de risque demeure assez peu décrite dans la littérature
[59], des théories au niveau du développement de fatigue musculaire et de friction ont toutefois
été suggérées [28]. De plus, la combinaison de ce facteur de risque avec un ou plusieurs des autres
facteurs présentés précédemment augmenterait le risque de blessures à l’épaule de façon
importante [38] et en fait un élément non négligeable à considérer par les cliniciens.
L’ensemble de ces facteurs de risque contribue au développement des blessures aux
épaules et les interventions effectuées au travail visent leur modification [61]. Les évaluations
effectuées actuellement en clinique et en laboratoire seront donc présentées dans la prochaine
section.
11
2. Évaluation des demandes physiques liées au travail en
laboratoire et hors laboratoire
Afin de prévenir ou de guérir les blessures musculosquelettiques liées au travail, il est
important d’avoir des mesures justes et pertinentes de la situation clinique (capacité du travailleur
et demande de l’emploi) en lien avec les facteurs de risques cités plus haut. Pour ce mémoire, une
emphase sera mise sur les facteurs physiques comme ce sont les leviers d’intervention les plus
souvent ciblés en clinique. Afin d’être représentatif du risque réel de blessures, il est important de
considérer le plus de facteurs physiques possibles, puisqu’il a été démontré que le niveau de risque
augmente avec le nombre de facteurs auxquels le travailleur est exposé [38]. Pour ce faire, la
prochaine section fera un survol des outils d’évaluation actuellement utilisés en clinique et en
laboratoire.
2.1. En clinique (mesures hors laboratoires) :
Lors d’un processus de retour au travail, les différents professionnels de la santé impliqués
utilisent de nombreuses évaluations afin de statuer sur le moment propice pour un retour au travail
rapide et durable. Afin d’avoir un portrait complet du travailleur, des informations sur l’emploi
antérieur, sur la nature de la blessure, ainsi que sur les déficits physiques doivent être recueillies
[62]. Les bases de données détaillant la nature de chacun des emplois sont souvent le point de
départ afin d’identifier les tâches attendues pour un travailleur sain [63]. De cette façon, ils
déterminent plus efficacement les évaluations et interventions pertinentes pour chaque situation
clinique. En effet, les exigences de l’emploi sont bien différentes entre un travailleur de bureau et
une personne effectuant de l’entretien ménager. Dans le premier cas, une meilleure endurance
assise sera nécessaire et dans le second, ce sera la prise de positions contraignantes (ex. accroupi
ou à genoux) qui sera primordiale. Ensuite, les différents professionnels de la santé établissent le
portrait des capacités résiduelles du travailleur afin de statuer sur l’adéquation entre celles-ci et
les exigences du travail établies théoriquement par des recherches dans la littérature scientifique
et les bases de données. Cette analyse est un bon point de départ, mais elle ne peut être considérée
12
comme complètement représentative du contexte sans une analyse dans l’emploi réel [62]. Afin
d’avoir un portrait plus complet de la situation d’emploi, des questionnaires/entrevues avec le
travailleur, des évaluations ergonomiques au travail ou encore des enregistrements vidéo sont
souvent utilisés [64]. Une brève description de chacune de ces méthodes d’évaluation, ainsi que
leurs forces et limites, sera présentée dans la prochaine section.
2.1.1. Questionnaires autoadministrés, journaux quotidiens et entrevue avec le
travailleur
Des mesures fréquemment utilisées afin d’identifier rapidement les aspects à travailler en
thérapie sont les questionnaires autoadministrés. Les informations ciblées dans ce type de
questionnaires dépendent de plusieurs facteurs, dont le site de la lésion et le travail occupé par le
client [64]. Ces questionnaires peuvent également être combinés à des journaux de bord remplis
chaque jour afin de bien identifier les facteurs de risque de blessures liées au travail [65]. Cette
méthode présente plusieurs avantages, dont le fait d’être simple, peu coûteuse et d’utiliser peu de
temps de thérapie dans le cas où le questionnaire est rempli à l’extérieur [66]. Une autre façon de
recueillir des informations sur le contexte d’emploi est d’effectuer des entrevues avec le
travailleur. Cette méthode est plus coûteuse en temps, mais permet plus de flexibilité dans les
questions posées et permet souvent de recueillir plus d’informations que les questionnaires.
Toutefois, l’ensemble des informations recueillies demeure sujet à de nombreux biais (désirabilité
sociale, de rappel, biaisé par la présence de douleur) [65, 67], ce qui en fait une mesure subjective
qui doit être complétée à l’aide d’autres modes d’évaluation.
2.1.2. Évaluation ergonomique au travail et enregistrement vidéo
Lors d’un processus de retour au travail, il est assez fréquent que les cliniciens,
principalement des ergonomes ou des ergothérapeutes, se déplacent en emploi afin d’objectiver
les données recueillies par entrevue ou questionnaire. Les observations effectuées sont basées sur
les recommandations d’instituts en santé et sur les facteurs de risque démontrés dans la littérature
13
scientifique. Les cliniciens utilisent donc fréquemment des aide-mémoires et des mises en
situation afin d’identifier les situations à risque et les pratiques à modifier [68]. Ces méthodes
demeurent assez coûteuses en temps, en ressources et demeure représentatives de seulement une
partie du travail de l’employé puisque l’observation durera bien souvent une journée ou moins
[65]. Les résultats obtenus par cette évaluation dépendent donc de la journée et de la nature du
travail effectué cette même journée, mais aussi de l’expérience du thérapeute. Pour augmenter la
validité et la fidélité des données recueillies, plusieurs auteurs ont suggéré d’effectuer des
enregistrements vidéo de la journée de travail ou de plusieurs jours, ce qui permet un plus grand
nombre de visionnements par un plus grand nombre d’évaluateurs [69]. L’amélioration de la
qualité de l’évaluation se traduit par une augmentation importante des coûts. La standardisation
des méthodes d’évaluation est également une solution proposée afin d’améliorer la fidélité inter-
évaluateurs, alors qu’il a été démontré que la majorité des cliniciens se basent sur leur expérience
personnelle et utilisent très peu les méthodes standardisées [70].
2.2 En laboratoire
Comme mentionné précédemment, les évaluations actuellement utilisées en clinique sont
subjectives ou encore coûteuses en temps et en ressources (ex. enregistrement vidéo) et leurs
résultats varient en fonction des réponses données par le travailleur, dépendent de l’expérience
du clinicien et sont souvent peu représentatives du contexte réel d’emploi. Dans ce contexte, il est
important de développer des méthodes quantitatives afin de les compléter et d’assurer un suivi
optimal au patient. En laboratoire, il est possible d’effectuer des mesures objectives de
cinématique du mouvement et d’activité musculaire. Ces méthodes sont décrites dans la prochaine
section.
2.2.1 Mesure de cinématique du mouvement
Comme mentionné précédemment, l’élévation aux épaules et la répétition sont deux
facteurs de risque importants des blessures aux membres supérieurs en emploi. Pour quantifier
ces facteurs, une analyse de la cinématique est nécessaire afin de calculer l’amplitude articulaire
14
et éventuellement le nombre de répétitions du mouvement. En laboratoire, l’analyse de
mouvement est effectuée avec des systèmes utilisant des caméras et des systèmes
électromagnétiques qui sont considérés comme la référence, le gold standard, en la matière
puisqu’ils fournissent des données valides, fidèles et précises [5, 71]. Lorsque de nouveaux
systèmes sont développés, tels que les capteurs inertiels (les résultats de validité et de fidélité sont
présentés dans la revue systématique sur le sujet constituant le Chapitre 1 de ce mémoire), les
études se basent sur ces systèmes afin d’attester de la validité de la nouvelle technologie [10]. Les
données d’orientation calculées à l’aide de ces systèmes sont rapportées selon un système d’axes,
comme celui illustré ci-dessous.
Figure 1-1 : Exemple d’un système d’axes
La prochaine section présentera brièvement les différents types de systèmes de référence, leur
fonctionnement et celui des capteurs inertiels.
2.2.1.1 Système de référence
Lorsqu’il est question de système de référence pour l’analyse de mouvements, deux types
de technologies sont utilisés sur le marché. La première utilise des capteurs magnétiques afin de
reconstituer l’orientation des segments du corps et la deuxième utilise des caméras pour capter
leurs positions [72]. Cette dernière peut utiliser trois technologies différentes, soit un système de
caméra seul (système de capture sans marqueur) ou encore des caméras combinées à des
marqueurs passifs ou actifs. Les marqueurs actifs émettent un signal qui est détecté par les
caméras, alors que les marqueurs passifs reçoivent le signal émis par celles-ci afin de reconstruire
15
les segments du corps [73]. Ces différents systèmes sont valides et fidèles avec 1 mm et moins de
1° d’erreur d’estimation, ainsi que des coefficients de corrélation intraclasse (Intraclass
Correlation Coefficient: ICC) supérieur à 0,9 (comparé à des radiographies)[71, 74].
Malheureusement, ces systèmes nécessitent de grands espaces et une expertise importante pour
les faire fonctionner. De plus, il est souvent nécessaire d’adapter les protocoles, car des objets ne
doivent pas obstruer la vue des caméras et l’environnement doit être exempt de distorsions
électromagnétiques (pour les capteurs magnétiques) [73]. Ces technologies sont donc confinées à
des utilisations de laboratoire et c’est pour cette raison que depuis quelques années, les capteurs
inertiels, qui seront présentés dans la section suivante, ont été suggérés comme alternative
potentielle pour faire l’analyse de mouvement en réadaptation.
2.2.1.2 Capteur inertiel
Un capteur inertiel est composé de trois accéléromètres, trois gyroscopes et trois
magnétomètres. Une brève description des capteurs expliquant leurs forces et faiblesses
respectives est présentée ci-dessous.
Accéléromètre [6, 75] : L’accéléromètre fournit l’accélération linéaire en XYZ en se basant sur
la gravité. Il peut être utilisé comme un inclinomètre afin de donner la mesure d’orientation lors
d’une accélération statique en assumant que la direction de Z est en ligne avec la gravité.
Toutefois, cette mesure est précise lorsque le capteur lui-même est stable puisque le mouvement
affecte le signal d’accélération mesuré. Lors de la prise de mesure du mouvement humain, le
déplacement occasionné par la contraction du ventre musculaire vient biaiser la mesure collectée,
car le capteur détecte à la fois l’accélération du mouvement et de la gravité.
Gyroscope [76] : Le gyroscope donne la vélocité angulaire en XYZ. L’intégration de la vélocité
angulaire sur une période de temps donnée, en assumant que la position initiale est connue et
représente un « zéro » défini, permet d’obtenir la position d’un capteur de façon précise.
Cependant, il est impossible d’obtenir une mesure initiale de vélocité angulaire non biaisée, ce
16
qui fait en sorte que les données ont tendance à dériver à travers le temps, donnant une orientation
de capteurs erronée qui biaisera également les variables calculées à partir de celle-ci (ex. mesures
angulaires ou de déplacement).
Magnétomètres [77] : Le magnétomètre donne la position de l’objet en fonction du nord
magnétique. Il complète la mesure donnée par l’accéléromètre en indiquant l’orientation autour
de l’axe Z. La principale faiblesse de ce capteur est sa sensibilité aux perturbations dans le champ
électromagnétique l’entourant qui occasionnent un biais dans les données collectées en raison de
la modification du nord magnétique détecté.
L’utilisation seule de chacun de ses capteurs amène un biais dans la mesure d’orientation
calculée, toutefois lorsque les données obtenues de ces trois systèmes sont combinées (fusion de
données), les valeurs obtenues sont plus précises et permettent une meilleure estimation de la
cinématique de mouvement [78], et plus particulièrement dans le cas présent, une plus grande
précision au niveau de la mesure d’amplitude articulaire. Les développements effectués à ce
niveau dans les dernières années ont mené à de nombreuses études sur la validité de ces méthodes
et systèmes. Une synthèse de la littérature à ce niveau avait été effectuée en 2010 pour l’ensemble
des articulations du corps, et dernièrement en 2018, pour le membre supérieur seulement.
Toutefois, une mise à jour des qualités psychométriques pour l’ensemble du corps est requise
considérant le nombre important d’études effectuées dans les dernières années et la synthèse
partielle rapportée dans l’article de 2018. Les résultats pour l’ensemble du corps sont présentés
dans le Chapitre 1 de ce travail.
2.2.1.2.1. Définition des concepts et variables
Plusieurs variables peuvent être extraites à partir des données enregistrées par ce type de
capteurs, par exemple la vélocité angulaire [79], le centre de masse [80], la position/l’orientation
de l’objet étudié [81], ou encore, comme dans le cadre de ce mémoire, l’amplitude articulaire (en
angle d’Euler). La méthode de calcul peut varier entre les différents articles et protocoles, mais
17
trois concepts-clés sont primordiaux afin de bien la comprendre : la calibration, le modèle
biomécanique et la séquence de rotation.
La calibration est utilisée afin de réaligner les capteurs en fonction de l’objet étudié, donc
dans ce cas-ci, selon les différents segments du corps [82]. Elle permet de mettre en relation les
différents capteurs placés sur le corps selon leur position de référence, elle est donc essentielle
afin de collecter des données valides et elle doit être faite de nouveau s’il y a un déplacement de
capteurs entre les différents essais enregistrés.
Le modèle biomécanique quant à lui dicte les calculs utilisés et la position des
coordonnées du centre de rotation de l’articulation étudiée [83, 84]. Le choix du modèle
biomécanique a une influence sur les variables calculées à partir des données recueillies par les
capteurs et est un choix important à effectuer en fonction du protocole à réaliser. C’est pour cette
raison que des recommandations ont été émises pour neuf articulations du corps dont l’épaule par
l’International Society of Biomechanics [84] quant aux coordonnées des systèmes d’axe et les
repères anatomiques utilisés.
La séquence de rotation quant à elle indique dans quel ordre le mouvement autour des
différents axes présentés précédemment sera effectué. Afin d’être comparables entre eux, les
angles obtenus de deux systèmes différents doivent avoir été calculés selon la même séquence
[83]. Dans le cas contraire, les déplacements peuvent avoir été effectués dans des plans différents
et ne représentent ultimement pas le même mouvement.
Finalement, deux variables statistiques différentes sont utilisées plus fréquemment afin
de comparer les données recueillies par les capteurs et le système de référence, soit le coefficient
de corrélation (r), qui représente la ressemblance de patrons de mouvements entre les deux
systèmes, et l’erreur de mesures (Root mean square error (RMSE)), qui représente la différence
en degrés entre les valeurs obtenues par chacun des systèmes.
18
2.2.1.2.2. Limites et avantages des systèmes
Les limites des systèmes sont principalement causées par les limites des différents
capteurs le composant (accéléromètre, gyroscope et magnétomètre) comme mentionnés
précédemment. La combinaison de ces capteurs vise justement à améliorer la validité et permettre
un plus grand nombre d’utilisations [78]. Toutefois, l’optimisation de ces méthodes est toujours
en cours et l’utilisation de ces systèmes nécessite encore un traitement de données post
intervention complexe [85] demandant une expertise importante.
Les capteurs inertiels présentent toutefois des avantages considérables par rapport aux
systèmes de référence actuellement utilisés. En effet, ils sont légers, sans-fils, portables, ont une
grande autonomie et peuvent être utilisés dans un plus grand nombre de tâches, d’environnements,
et ce de façon continue [10]. Cette plus grande flexibilité d’utilisation et les développements
rapides dans le domaine en font une technologie prometteuse en réadaptation socioprofessionnelle
(ex. enregistrement en continu, possibilité de données de la rétroaction en temps réel).
2.2.2. Mesure d’activité musculaire
Comme abordé précédemment, le déploiement de force musculaire excessive est un
facteur de risque pour le développement de blessures aux membres supérieurs. Cette mesure ne
peut toutefois pas être prise directement lors de tâches fonctionnelles, car il est seulement possible
de la mesurer dans une direction lors de mouvements précis et majoritairement lors de
contractions isométriques [86] (ex. force de préhension, force du quadriceps) à l’aide d’un
dynamomètre (ex. Jamar, Biodex). Considérant cette limite, la variable utilisée pour évaluer ce
facteur de risque est l’activité musculaire par EMG et non la force à proprement dite. Par
définition, l’EMG est l’étude de l’activité électrique de la fonction d’un muscle par
l’enregistrement du signal électrique généré par ce muscle [87].
19
L’EMG est une technique de plus en plus populaire pour évaluer l’activité musculaire
dans un contexte de réadaptation. Deux types d’EMG sont largement utilisés : 1) l’EMG
intramusculaire qui consiste à insérer une aiguille dans le muscle d’intérêt [9] et 2) l’EMGs qui
consiste à placer une ou des électrodes sur le ventre musculaire du muscle d’intérêt [87]. L’EMG
intramusculaire est reconnu pour permettre un enregistrement plus spécifique du muscle visé, en
plus de permettre l’accès à l’enregistrement de muscles profonds. Toutefois, la procédure peut
occasionner des douleurs, rend le sujet plus à risque d’infections et limite le type de tâches
auxquels il peut participer. L’EMGs quant à lui n’est pas invasif et plus sécuritaire [88], mais il
ne permet pas l’accès à l’enregistrement valide des muscles profonds et enregistre une plus grande
proportion d’unités motrices, ce qui diminue sa spécificité [8, 9, 89]. En effet, il est fréquent en
EMGs d’obtenir une combinaison des signaux de deux muscles particulièrement lorsque leurs
ventres musculaires se chevauchent (ex. les gastrocnémiens et le soléaire), ce qu’on appelle de la
contamination (cross-talk) [89]. Il est donc important de prendre en considération la tâche à
effectuer et le muscle à enregistrer afin de bien répondre à la question de recherche. Dans le cas
de la présente expérience, l’EMGs sans-fil a été sélectionné en raison de la complexité de la tâche
à effectuer. La coiffe des rotateurs est la structure la plus lésée à l’épaule. Toutefois, le seul muscle
superficiel au niveau de la coiffe des rotateurs est l’infraépineux, un muscle pour qui l’EMGs a
été démontré comme imprécis en raison du déplacement de l’électrode lors de la tâche,
augmentant ainsi de façon considérable la contamination du signal [89].
Le deltoïde est un muscle superficiel recouvrant la jonction gléno-humérale et se séparant
en trois chefs musculaires : antérieur (situé à l’avant de l’articulation), moyen (situé sur la partie
latérale de l’épaule) et postérieur (situé à l’arrière de l’articulation). Ces chefs musculaires ont
respectivement comme action principale, la flexion, l’abduction et l’extension de l’épaule [90]. Il
est également reconnu que le deltoïde moyen contribue grandement à la réalisation du mouvement
de flexion, mais que le deltoïde antérieur en est le principal agoniste et devrait ainsi générer plus
d’activité musculaire que le moyen. Grieve et coll. ont aussi démontré que les principaux muscles
affectés par le travail en élévation sont les muscles agonistes de la flexion et de l’abduction à
20
l’épaule [47]. Ensuite, comme la tâche étudiée dans le Chapitre 2 de ce travail (transport de
charge) nécessite principalement de la flexion au niveau de l’épaule et des mouvements dans le
plan sagittal, les chefs antérieurs et moyens du deltoïde ont été choisis. De plus, il a été démontré
dans la littérature que le deltoïde présente une plus grande fatigabilité comparée aux autres
muscles superficiels du cou et de l’épaule (ex. trapèze, scalène) [91]. Cette grande fatigabilité est
utile afin de détecter plus rapidement la fatigue générée au niveau de la coiffe des rotateurs
puisque ces muscles sont connus comme étant hautement fatigables dans l’ensemble des tâches
en élévation ou nécessitant de la force aux membres supérieurs [92].
La prochaine section décrie brièvement les différents concepts utiles (physiologie du
muscle et de la jonction neuromusculaire) afin de bien comprendre les données fournies par les
capteurs et les variables extraites à partir de ces données.
2.2.2.1. Définition des concepts et variables [87, 93]
L’activité musculaire est en fait l’activation volontaire de certains groupes musculaires
dans le but de réaliser une tâche spécifique. En EMG, elle est représentée par la différence de
potentiel électrique détectée entre les électrodes placées à la surface de la peau ou dans le muscle
d’intérêt.
Plus précisément, la plus petite unité fonctionnelle d’un muscle est nommée unité
motrice. Par définition, une unité motrice représente le motoneurone (corps cellulaire, dendrites),
l’axone et ses ramifications, ainsi que les fibres musculaires qu’il innerve. Lors d’une contraction
musculaire, des échanges ioniques sont effectués au niveau cellulaire en raison de la perméabilité
de la membrane. Un changement de polarité de la cellule suffisamment important entraîne alors
ce qu’on appelle un potentiel d’action des unités motrices (motor unit action potential : MUAP),
qui peut alors se propager le long des fibres musculaires, d’une unité motrice à l’autre. Lors d’une
mesure EMG, l’ensemble des MUAP enregistrés sont superposés électriquement et est appelé
signal brut (raw EMG) (voir exemple à la Figure 1).
21
Figure 1-2 : Signal EMG non traité (raw EMG)
Ce signal brut est par la suite filtré et normalisé pour mesurer l’activité musculaire réelle.
À partir de ce signal, plusieurs variables peuvent être extraites afin de caractériser l’activité du
muscle dans le temps, par exemple son niveau d’activité moyen. Deux concepts seront détaillés
pour ce travail, 1) le root mean square (RMS) enveloppe, et le 2) pic d’activité EMG. Le RMS
représente le carré de la puissance du signal, ce qui permet facilement de représenter les variations
de contractions musculaires. Le pic quant à lui représente la valeur maximale à laquelle le muscle
s’est contracté sur une certaine période de temps.
2.2.2.2. Limites et avantages des systèmes
Il est difficile, voire impossible, de reproduire parfaitement un signal EMG pour une
condition donnée en raison de la grande variabilité présente même si toutes les recommandations
sont suivies et que toutes les précautions sont considérées (ex. identifications du placement de
l’électrode sur la peau pour placements ultérieurs). Afin de diminuer cette variabilité intra et inter-
sujet, les données sont rapportées par rapport à une valeur de référence, le plus souvent une
référence de force maximale pour chacun des muscles étudiés (MVC). Dans ce cas les données
sont rapportées en % de la MVC du muscle. Finalement, afin de s’assurer de la qualité des données
recueillies, une bonne préparation de la peau et un placement adéquat des capteurs sont
nécessaires. C’est d’ailleurs pour cette raison que des lignes directrices ont été émises il y a
quelques années pour l’EMGs [94].
22
Les systèmes d’EMG sans-fils ont des avantages substantiels sur les technologies filaires,
puisqu’ils sont portables, légers, offrent plus de flexibilité quant à leur contexte d’utilisation, et
sont souvent plus représentatifs de la vie de tous les jours [95]. Ils permettent également d’évaluer
l’activité musculaire dans l’ensemble de la tâche (nécessite des mouvements dynamiques) et pas
seulement lors de contractions isométriques comme il est le cas avec les dynamomètres manuels
par exemple.
En somme, considérant l’étiologie multifactorielle des blessures musculosquelettiques et
la subjectivité des données recueillies actuellement en clinique au niveau des facteurs de risque
physiques, l’utilisation combinée de capteurs inertiels et d’un système d’EMG est une avenue
intéressante pour améliorer les traitements ainsi que la prévention en emploi des blessures
musculosquelettiques aux membres supérieurs. Toutefois, la majorité des études rapporte des
résultats de validité ou des données d’EMG, mais pas les deux. Trois études seulement ont
rapporté des données de cinématique et d’EMG combinées pour une tâche de manutention [96-
98]. Cependant, les données de cinématique rapportées ont été collectées par un système de
capture de mouvements par caméras, ne rendant pas les résultats transposables à un contexte réel
d’emploi. De plus, les tâches présentées dans ces études n’étaient pas standardisées et ne
permettent pas de déterminer les tâches plus à risque selon le niveau de demande physique.
Ensuite, le nombre important d’études sur la validité des capteurs inertiels publiées depuis
la dernière synthèse de la littérature (sur toutes les articulations du corps) met en lumière le besoin
d’une mise à jour des connaissances à ce niveau (Chapitre 1) [10]. De plus, peu d’études
présentant des données à l’épaule ont été incluses dans cette revue systématique et la majorité
d’entre elles présentaient des résultats au niveau de tâches simples [99-102], ce qui ne les rend
pas généralisables à un contexte réel d’emploi. Ainsi, plus d’études présentant des données de
tâches complexes à l’épaule ainsi que des données combinées de technologies portables pour la
cinématique et l’EMG sont nécessaires afin d’éventuellement les utiliser en emploi (Chapitre 2).
23
Objectifs
L’objectif général de ce mémoire est d’évaluer la validité de technologies portables (système
d’EMGs sans-fils et capteur inertiel) afin qu’elles puissent être éventuellement utilisées pour
quantifier les demandes physiques d’un emploi.
Objectif 1 : Effectuer une synthèse de la littérature sur la validité de critères et la fidélité
de la mesure d’amplitude articulaire collectée par des capteurs inertiels pour chacune des
articulations du corps.
Objectif 2 : Évaluer 1) la validité de critère d’un système de capteurs inertiels pour
mesurer l’amplitude articulaire de l’épaule comparée à un système de capture de mouvements
lors de mouvements isolés et lors de tâches de manutention et 2) la validité discriminante de la
mesure d’activité musculaire aux deltoïdes antérieur et moyen collectée par un système d’EMGs
sans-fil pour déterminer le niveau de demande physique à l’épaule lors de tâches de manutention.
Hypothèse 1 : La mesure d’amplitude articulaire collectée par les capteurs inertiels sera
caractérisée comme excellente pour les mouvements simples (r≥0.9 et RMSE≤10°) et comme
bonne pour la tâche de manutention (r≥0.8 et RMSE≤15°).
Hypothèse 2 : Les mesures d’activité musculaire (RMS et pic d’EMG) au niveau des
deltoïdes antérieurs et moyens collectés par le système d’EMGs sans-fil permettront de
discriminer le poids soulevé et la hauteur à laquelle il est soulevé (p<0.05).
Hypothèse 2.1 : Les mesures d’activité musculaire (RMS et pic d’EMG) du
deltoïde antérieur permettront de mieux discriminer le niveau de demande physique à l’épaule
que les mesures du deltoïde moyen.
24
Chapitre 1: Validity and reliability of wearable
sensors for joint angle estimation: a systematic
review
Co-auteurs : Isabelle Poitras1,2, Frédérique Dupuis1,2, Mathieu Bielmann1,2, Alexandre
Campeau-Lecours1.3, Catherine Mercier1,2, Laurent J. Bouyer1,2, Jean-Sébastien Roy1,2
1 Centre for Interdisciplinary Research in Rehabilitation and Social Integration and Laval
University, Quebec City, Quebec, Canada
2 Department of Rehabilitation, Laval University, Quebec City, Canada
3 Department of mechanical engineering, Laval University, Quebec City, Canada
Publié le 31 mars 2019
Publié dans le journal Sensors
2.1 Résumé
Les systèmes de capture de mouvement sont considérés comme la mesure de référence
pour le calcul de l’amplitude articulaire, toutefois leur utilisation est limitée à un contexte de
laboratoire. Les améliorations récentes au niveau des systèmes de capteurs inertiels (IMU), leur
portabilité et le nombre grandissant d’études sur ces systèmes justifient la réalisation d’une
synthèse de la littérature sur le sujet. Le but de cette étude est de déterminer la validité et la fidélité
des IMU pour la mesure d’amplitude articulaire en fonction et de l’articulation étudiée et de la
complexité de la tâche effectuée. Méthodologie : Cinq bases de données ont été examinées. Deux
évaluateurs indépendants ont effectué la sélection, l’évaluation de la qualité et l’extraction des
données. Résultats : Quarante-deux études ont été incluses. Les résultats de validité sont plus
faibles lors de tâches complexes et de l’évaluation des articulations du membre supérieur. Aucune
conclusion claire ne peut être émise pour la fidélité. Conclusion : Les IMU peuvent être
considérés comme un outil valide pour évaluer l’amplitude articulaire, mais plus d’étude sont
nécessaires afin de standardiser les procédures d’utilisation.
25
2.2 Abstract
Motion capture systems are recognized as the gold standard for joint angle calculation.
However, studies using these systems are restricted to laboratory settings for technical reasons,
which may lead to findings that are not representative of real-life context. Recently developed
commercial and home-made inertial measurement sensors (M/IMU) are potentially good
alternatives to the laboratory-based systems, and recent technology improvements required a
synthesis of the current evidence. The aim of this systematic review was to determine the criterion
validity and reliability of M/IMU for each body joint and for tasks of different levels of
complexity. Five different databases were screened (Pubmed, Cinhal, Embase, Ergonomic
abstract, and Compendex). Two evaluators performed independent selection, quality assessment
(consensus-based standards for the selection of health measurement instruments [COSMIN] and
quality appraisal tools), and data extraction. Forty-two studies were included. Reported validity
varied according to task complexity (higher validity for simple tasks) and the joint evaluated
(better validity for lower limb joints). More studies on reliability are needed to make stronger
conclusions, as the number of studies addressing this psychometric property was limited. M/IMU
should be considered as a valid tool to assess whole body range of motion, but further studies are
needed to standardize technical procedures to obtain more accurate data.
2.3 Introduction
Physical rehabilitation assessments often require quantification of body movement over
an extended period of time during functional or work-related tasks in order to characterize motor
dysfunction, to determine task requirement, or to assess the effectiveness of an intervention. This
can be performed in a laboratory setting using motion-capture systems [103], as these systems
ensure high data quality and are commonly recognized as the gold standard for movement
quantification [5]. However, these systems can only be used in controlled environments due to
their lack of portability and to the technical expertise required, thereby limiting their potential
clinical applications.
26
The use of wearable sensors has been suggested to overcome this lack of portability, as
they are wireless, small, and light [7]. Activity, energy expenditure, and acceleration data
collected by accelerometers have been shown to be valid and reliable. However, kinematic data
have been shown to lack precision since they are affected by increased segment acceleration or
the presence of drifts (algorithms have been developed to decrease the effect of drifting in
accelerometers) [75, 104, 105]. Combining a gyroscope and a magnetometer with an
accelerometer in a sensor, which is called an inertial measurement unit (M/IMU; sensors
combining accelerometer and gyroscope [IMU] and sensors combining accelerometer, gyroscope,
and magnetometer [MIMU]), has been proposed to solve this problem. Gyroscopes are used to
estimate sensor orientation by integration of signals (angular velocity relative to the sensor XYZ
axis) [106], accelerometers to provide a static orientation measurement relative to gravity by
analyzing the acceleration signal, and magnetometers to provide heading using sensor orientation
relative to Earth’s magnetic field [77]. By combining the signals of each sensor through intelligent
data fusion algorithms, one can obtain a reliable estimate of M/IMU orientation. For example,
accelerometers combined with magnetometers properly estimate slow-motion displacements,
while the gyroscope provides better results during highly dynamic movements. Therefore,
complimentary data are obtained when all three signals are captured [107]. M/IMUs provide more
accurate kinematic data than accelerometers alone, while still being wireless, robust, and portable.
Several commercial or home-made M/IMU systems are currently available for research and
clinical applications, but as highlighted by Fong and Chan, some improvements on data
processing, data logging, and fixation need to be made before these systems can be used more
extensively. This could explain the growing interest in this research area during the past few years
[108].
The psychometric properties, such as validity and reliability, of M/IMUs for orientation
and joint kinematics estimation have been extensively studied during the past few years. Two
systematic reviews have been conducted to report on the psychometric evidence relating to
M/IMU validity [10, 85]. The first systematic review published in 2010 concluded that M/IMUs
27
could be a valid tool to measure range of motion, but results were variable across joints and tasks
performed [8]. The other systematic review, published in 2018, focused only on the upper limb
and provided only scarce details regarding the complexity of the tasks evaluated, a problem
highlighted by the first systematic review as being one of the most challenging aspects for clinical
evaluation. This highlights the need for a synthesis and an update for whole body kinematics. The
aim of this study was therefore to conduct a systematic review of the psychometric evidence
related to criterion validity and reliability of M/IMUs for the assessment of joint movement.
2.4 Materials and Methods
This systematic review follows the Preferred Reporting Items for Systematic Reviews
and Meta-Analyses (PRISMA) guidelines [109] and was prospectively registered with the
International Prospective Register of Systematic Reviews (PROSPERO) in August 2018
(CRD42018104775).
2.4.1. Description of the Systems
An inertial measurement unit (M/IMU) is composed of 9 sensors: 3 accelerometers, 3
gyroscopes, and 3 magnetometers.
Accelerometers: The accelerometer measures the linear acceleration in 3 orthogonal
directions (XYZ). It assumes that the Z axis is aligned with gravity and gives X and Y orientations,
which are useful to provide static orientation measurements. However, when sensors are moving
(i.e., during active movement), the estimated orientation is biased. This is explained by the
movement artifacts added to the acceleration signals, which no longer allow consideration of the
Z axis as pure gravity acceleration [75]. A method often used to calculate joint kinematics is to
perform a double integration of linear acceleration and a simple integration of angular velocity.
This method, however, can lead to biased data by adding a drift [105]. Some computational
techniques have been proposed to fix this problem such as using filters [110] or performing data
realignments [111], but they are not suitable for real-time processing [112].
28
Gyroscopes: The gyroscopes provide angular velocity around 3 orthogonal axes (yaw,
pitch, and roll; XYZ) and, theoretically, signal integration could provide an estimate of sensor
orientation by assuming a known initial orientation. As it is impossible to obtain an unbiased
angular velocity zero, this integration leads to a drift biasing the resulting orientation estimate
[76].
Magnetometers: The magnetometers provide the orientation relative to the Earth's
magnetic field, which is also the sensor orientation around the Z axis. This completes the
orientation calculated from accelerometers, but magnetometers are sensitive to magnetic field
disturbances which can bias the sensor orientation estimate [77].
Briefly, each sensor unit provides estimation of the orientation of body segments relative
to a global reference [113, 114]. Alone, each sensor provides biased information under certain
circumstance, but putting them together (sensor data fusion) allows their limitations to be
overcome and provides more accurate sensor orientation. Then, this can be used to calculate 3D
joint angular kinematics. To achieve this, accurate M/IMU orientation has to be obtained by
performing an anatomical calibration which allows an accurate joint angle calculation [82]. This
procedure ensures quality of the data collected and should be carefully considered when using
M/IMU systems. See Figure 1 for an example of a typical M/IMU sensor placement.
(a) (b)
Figure 2-1 : Sensors placement example, a) front view, b) back view.
29
2.4.2. Data Sources
Five databases were screened (PubMed, CinAHL, Ergonomic abstract, Compendex, and
EMBASE) using a combination of general keywords and specialized terms for each database.
General keywords were: (“psychometric property” OR “reliability” OR “validity” OR “accuracy”
OR “precision”) AND (“inertial measurement unit” OR “wearable sensors” OR “inertial sensor”
OR “accelerometry”) AND (“joint angle” OR “range of motion” OR “movement” OR
“kinematic”). Bibliographical references of the retrieved studies were also searched to identify
additional relevant publications. Specialized keywords are presented in Table S1.
Articles were included if they: 1) presented results from human subjects, 2) included
participants aged from 18 to 65 years old, 3) compared M/IMUs to a gold standard (motion-
capture system for lab systems or goniometer for clinical measures) for the measurement
(accelerometer, gyroscope with or without magnetometer) of the range of motion data (e.g., error
of measurement, correlation coefficient, numerical value) (criterion validity) or compared data
collected from the same M/IMU by two different evaluators and/or during two different sessions
(reliability), 4) were written in French or English, and 5) were published after 2005. Older articles
were excluded as they were not representative of current technology. Book chapters, congress
abstracts, or conference proceedings, systematic reviews, and meta-analysis were excluded.
Articles were not considered if they reported only data related to physical activity or energy
expenditure. Titles and abstracts of the identified papers were screened independently by two
reviewers (IP: Isabelle Poitras and FD: Frédérique Dupuis) to identify eligible articles. Initial data
base screening was performed on 1 March, 2018 and an update was done on 15 July, 2018. A full
review of the latter was performed independently by both reviewers. Any discrepancy was
resolved during a consensus meeting, and a third reviewer (JSR: Jean-Sébastien Roy) was
available if needed but turned out not to be required.
30
2.4.3. Quality Assessment
All included articles were independently critically appraised by two reviewers (IP and
FD) using two different quality assessment tools: consensus-based standards for the selection of
health measurement instruments (COSMIN) [115] and the critical appraisal tool by MacDermid
(2008) [116]. The COSMIN grid was used to critically appraise how the psychometric properties
were evaluated (reliability [box B], measurement errors [box C], and validity [box H]). The
critical appraisal assessment by MacDermid was used to evaluate the methodological quality
(study questions, study design, measurements, analyses, and recommendations). It gives a score
out of 22. These two grids taken together allow a complete assessment of the overall article
quality. Firstly, the three reviewers (IP, FD, and JSR) participated in a calibration review meeting
in which each critical appraisal item was discussed. Secondly, two of the reviewers (IP and FD)
independently reviewed each article. During a second meeting, every item of both grids was
openly discussed until consensus on a given score was reached. If reviewers were unable to reach
consensus, the third reviewer scored the article (JSR) and a discussion was performed to reach
consensus.
For each grid, the score was converted into a percentage. The quality score of both tools
was characterized as follows: very low (VLQ) = 0–25%, low (LQ) = 26–50%, moderate (MQ)
51–75%, and high (HQ): 76–100% [117]. Pre-consensus inter-rater agreements were calculated
by using weighted Gwet’s coefficient on each individual item of the COSMIN grid. The level of
agreement between reviewers was defined as: poor <0.0, slight 0.0 to 0.20, fair 0.21 to 0.40,
moderate 0.41 to 0.60, substantial 0.61 to 0.80, and almost perfect 0.81 to 1.00 [118]. An intraclass
correlation coefficient (ICC) was calculated on the overall score to assess inter-rater reliability
for the MacDermid’s critical appraisal tool. ICC score was defined as: values <0.5 indicate poor
reliability, values between 0.5 and 0.75 indicate moderate reliability, values between 0.76 and 0.9
indicate good reliability, and values >0.90 indicate excellent reliability [119].
31
2.4.4. Data Extractions
Each of the two reviewers performed a complete data extraction of half of the included
articles and the extraction was corroborated or completed by the other reviewer. Targeted
variables were extracted with a standard data extraction tool [116]. Extracted variables were:
participants’ characteristics, number of participants, instrumented body part, movement
performed, sensor brand, gold standard used, reliability, and validity indices. If an article
presented results for more than one joint, they were treated separately to simplify data analysis.
Variables extracted for validity were: r (simple correlation coefficient), r2 (coefficient of
determination), CMC (coefficient of multiple correlation), intraclass correlation coefficient
(ICC), root mean square error (RMSE/RMS; measurement error between the reference system
and M/IMU), and lower limit of agreement (LoA; total error of a measurement procedure).
Variables extracted for reliability were: CMC (coefficient of multiple correlation), intraclass
correlation coefficient (ICC), lower limit of agreement (LoA; total error of a measurement
procedure), index of dependability (correlation coefficient), m-estimators (extremum estimators),
and standard deviation/standard error of the mean (SD/SEM). ICC, r, CMC, and r2 were
considered as poor (<0.5), moderate (between 0.5 and 0.75), good (between 0.75 and 0.9), or
excellent (>0.90) [17]. Error (RMSE/RMS, LoA, m-estimators, SD, SEM) of <5° was considered
as excellent and between 5 and 10° as good [10].
2.4.5 Data Analysis
Simple movements were defined as movements performed in one plane of movement
(sagittal, frontal, or transverse) and complex movements were characterized as movement
performed in more than one plane of movement such as walking, swimming, or sport activities.
Due to the heterogeneity of protocols and data acquisition systems used in the selected articles,
results of this systematic review could not be pooled in a meta-analysis. For this reason, only a
descriptive synthesis of results was performed.
Four domains of concern have been selected to characterize the evidence for each joint:
1) number of studies/participants (imprecision); 2) methodological quality (risk of bias); 3)
methodological and outcome similarities (indirectness); and 4) direction of results
32
(inconsistency). Finally, the scale used to identify the level of evidence is defined as follow [120,
121]:
• Strong evidence: multiple HQ studies with consistent results.
• Moderate evidence: multiple studies, including at least one HQ study, or multiple MQ or
LQ studies, presenting consistent results.
• Conflicting evidence: multiple studies providing inconsistent results, regardless of the
methodological quality.
• Limited evidence: multiple MQ or LQ studies with inconsistent results, or one HQ.
• Very limited evidence: only one LQ or MQ study.
33
2.5 Results
Nine hundred and forty-three articles were retrieved. After removal of duplicates,
screening of titles/abstracts, full-text analysis and manual source detection, forty-two articles
were included (see Figure 2).
Figure 2-2: Flow chart of systematic review process
2.5.1. Characteristics of Studies
Thirty-nine articles addressed M/IMU validity and fifteen reported on reliability. The
majority of the studies reported r and RMSE for validity (only one article used m-estimators) and
ICC or CMC for reliability [122]. All of the fifteen studies assessing reliability evaluated intra-
rater reliability, with four also assessing inter-rater reliability. A total of 556 subjects were tested
in the included studies (508 for validity and 184 for reliability). The following body regions were
investigated for validity and/or reliability: neck, shoulder, scapula, elbow, wrist, trunk, pelvis,
hip, knee, and/or ankle. The knee and the hip were the most investigated joints for validity
(respectively 15 and 13 studies). Reliability was only evaluated in one to three studies per joint.
Across the 42 studies, the majority focused on complex movements (n = 25) as compared to
simple movements (n = 17). Among the studies on complex movements, walking/running was
the most frequently investigated (17/25), other movements including kicking, throwing,
swimming, and sweeping a table. Ten articles reported results for various complex movements
[100, 123-132]. The Xsens was the most studied M/IMU system (15 articles) while other systems
34
were investigated in three or less articles (e.g., Cuela or Physilog). See Supplementary Data Table
S2 and Table S3 for detailed psychometric property results.
2.5.2. Methodological Quality
The scores on the MacDermid critical appraisal tool ranged from 41 to 92% (see Table S4) with
a mean of 64.5 ± 12.9%. Eleven articles were classified as HQ studies, twenty-two as MQ, and
nine as LQ. COSMIN results are presented by box (Table S5, Table S6, Table S7). Scores for box
B (reliability) ranged from 22 to 100% with a mean of 67.4 ± 23.1%. Scores for box C
(measurement error) ranged from 50 to 100% with a mean of 71.9 ± 12.8%. Scores for box H
ranged from 17 to 100% with a mean of 56.4 ± 20.1%. Six studies were categorized as HQ, six
as MQ, and three as LQ for reliability (combined box B and C). Seven articles were classified as
HQ studies, seven as MQ, twenty-four as LQ, and one as VLQ for criterion validity. See Table 1
for detailed body evidence by body region and psychometric property. The majority of studies
failed to score for sample size and for detailed inclusion/exclusion criteria, thereby partly
explaining the low-quality score for both grids.
The pre-consensus inter-rater agreement between reviewers for total scores of the
COSMIN grid and MacDermid’s critical appraisal tool was considered excellent (Gwet = 0.85 to
0.96 and ICC = 0.93).
35
Table 2-1: Synthesis of overall quality and body of evidence by joint.
Joint
Validity:
Number of
articles
Reliability:
Number of
articles
COSMIN
quality
evidence –
validity
COSMIN
quality
evidence –
reliability
MacDermid
quality evidence
– validity
MacDermid
quality
evidence –
reliability
Body of
evidence –
validity
Body of
evidence –
reliability
Neck 5 3
1 MQ
3 LQ
1 VLQ
1 HQ
1 MQ
1 LQ
1 HQ
2 MQ
2 LQ
1 HQ
2 MQ Moderate Moderate
Scapula 0 1 N/A 1 HQ N/A 1 HQ N/A Limited
Shoulder 12 2
1 HQ
3 MQ
7 LQ
1 VLQ
1 MQ
1 LQ
1 HQ
7 MQ
4 LQ
1 HQ
1 MQ
Conflicting
evidence Moderate
Elbow 10 2
1 HQ
3 MQ
5 LQ
1 LQ
1 MQ
1 LQ
1 HQ
5 MQ
4 LQ
1 HQ
1 MQ
Conflicting
evidence
Conflicting
evidence
Wrist 6 2 2 MQ
4 LQ
1 MQ
1 LQ
1 HQ
3 MQ
2 LQ
1 HQ
1 MQ Moderate Moderate
Trunk 11 3
1 HQ
4 MQ
5 LQ
1 MQ
2 LQ
4 HQ
6 MQ
1 LQ
2 HQ
1 MQ Strong Moderate
36
1 VLQ
Pelvis 6 1 4 MQ
2 LQ 1 HQ
3 HQ
3 MQ 1 HQ Strong Limited
Hip 13 3
2 HQ
3 MQ
8 LQ
1 HQ
1 MQ
1 LQ
2 HQ
8 MQ
3 LQ
1 HQ
2 MQ Strong Moderate
Knee 15 3
2 HQ
3 MQ
10 LQ
1 HQ
2 MQ
3 HQ
9 MQ
3 LQ
1 HQ
2 MQ Strong Moderate
Ankle 11 3
3 HQ
2 MQ
6 LQ
3 HQ
3 HQ
6 MQ
2 LQ
2 HQ
1 MQ Strong Moderate
HQ = high quality; MQ = moderate quality; LQ = low quality; VLQ = very low quality; N/A = not applicable.
37
2.5.3. Criterion Validity and Errors of Measurement by Body Region
2.5.3.1. Neck
The body of evidence for the neck joint is considered as moderate (five studies, total of
44 participants [one to 20 Participants/Study], only one HQ study). RMSE results varied between
less than 1° and 9°, showing good joint measurement validity [127, 128, 131, 133, 134]. Results
are similar for the three measurement axes. Two studies reported higher variability in neck joint
angle measurements (more than 7°) specifically for rotation and for two complex movements
(e.g., sweeping a table, drinking), but their results were collected from only one participant in
both studies. Articles presenting small RMSE used simple movements, except Pérez et al. [129]
which presented validity for lifting tasks (RMSE ranged from 1.4 to 3°).
2.5.3.2. Shoulder
The body of evidence for the shoulder joint is considered to be ‘’conflicting’’ (12 studies,
total of 87 participants [one to 19 participants/study]). Despite a larger number of studies
published for this joint, heterogeneity of results (RMSE between 0.2 and 64.5° and r from 0.69 to
1.00) and movements performed made it difficult to conclude the validity of using M/IMU
systems for movement at this joint [100, 125-129, 131, 132, 135-138]. Variability increased with
movement complexity, with simple movement protocols showing better concordance between
studies (RMSE ranging from 1 to 21° for simple movements and from 5 to 64.5° for complex
movements). Articles reported good results for flexion/extension movements (X axis; RMSE of
15° and less). Abduction/adduction movement (Z axis) showed moderate validity (RMSE of less
than 20°). Validity for rotation movement in the Y axis was not consistent (high variability from
1 to 60°).
2.5.3.3. Elbow
The body of evidence for the elbow joint is considered to be ‘’conflicting’’ (10 studies,
total 71 participants [one to 19 participants/study]). RMSE and correlation coefficient results
range from 0.2 to 30.6° and 0.68 to 0.99, respectively, showing good to excellent validity [100,
122, 125-129, 131, 136, 138]. Pro-supination (r between 0.68 and 0.99) showed poorer
38
correlations than flexion–extension (r between 0.85 and 0.99) and validity tended to decrease with
increasing movement complexity (r ≥ 0.93 compared to r ≥ 0.68 for complex movements). Results
should be taken with caution however, due to the heterogeneity of the reported movements (i.e.,
the validity was highly variable across the movements and planes studied).
2.5.3.4. Wrist
The body of evidence for the wrist joint is considered to be ‘’conflicting’’ (6 studies, total
of 51 participants [one to 19 participants/study]). RMSE and correlation coefficients varied
respectively from 2.2 to 30° and from 0.62 to 0.99, showing fair to good validity [122, 126, 127,
129, 131, 136]. Radial and ulnar deviation showed poorer results than any other movement
(RMSE ranging from 3 to 30° for ulnar deviation compared to 3 to 20° for flexion), regardless of
the movements performed. Contradictory results were given from one study using home-made
sensors which presented poor results for all of the movements performed (RMSE higher than 30°
and r as low as 0.62) [136].
2.5.3.5. Trunk
The body of evidence for the trunk is considered to be strong (11 studies for the lumbar
and thoracic spine, total of 167 participants [one to 38 Participants/Study], four HQ studies).
Validity was similar across all movement planes and axes [128, 130-132, 134, 139-144]. Two
studies reported conflicting results for this joint, but they are also the two with the poorest
methodological quality (RMSE between 1.4 and 26.2° and r as low as 0.05) [128, 142]. RMSE
and correlation coefficients varied respectively from 1.8 to 5.9° and from 0.72 to 0.99 when
excluding data from these two articles, showing good to excellent validity.
2.5.3.6. Pelvis
The body of evidence for the pelvis joint (tilt or obliquity) is considered to be strong (6
studies, total of 95 participants [six to 30 participants/study], three HQ studies). RMSE and
correlation coefficients varied respectively from 0.4 to 8.8° and 0.84 to 1.00, showing good to
excellent validity [124, 130, 132, 134, 135, 145]. Results were similar across movement planes
39
and axes. Two articles reported poorer results (RMSE from 5.0 to 8.8°), but only for complex
movements (milking cluster attachment task/sit-to-stand/block step).
2.5.3.7. Hip
The body of evidence for the hip joint is characterized as strong (13 studies, total of 195
participants [three to 30 participants/study], two HQ studies and eight MQ studies with similar
results). RMSE and correlation coefficients varied respectively from 0.2 to 9.3° and 0.53 to 1.00,
showing fair to excellent validity [104, 124, 131, 134, 135, 139, 146-152]. Hip rotation and
movements performed in the transverse plane (Y axis) showed higher RMSE and lower
correlations (RMSE as high as 11.8° and r as low as 0.35).
2.5.3.8. Knee
The body of evidence for the knee joint is considered to be strong (15 studies, total of 228
participants [three to 38 participants/study], three HQ and nine MQ studies). RMSE and
coefficient correlation varied respectively from 1 to 11.5° and 0.4 to 1.00 [104, 124, 131, 134,
136, 141, 143, 146-148, 150-154]. Knee abduction/adduction, which are movements with very
small range of motion (ROM), were less valid (RMSE higher than 5°) than knee flexion and
extension, which presented high validity (majority of studies with r ≥ 0.8).
2.5.3.9. Ankle
The body of evidence for the ankle joint is considered to be strong (11 studies, total of
141 participants [three to 26 participants/study], three HQ and nine MQ studies). RMSE and
correlation coefficients varied respectively from 0.4 to 18.8° and 0.33 to 0.99 [123, 131, 134, 136,
146-148, 150, 152, 155, 156]. RMSE results increased with movement speed (different walking
speed vs. running; RMSE of 1.2 to 2.0 for a slow walking speed to 15.8° for running). Also,
rotation and inversion/eversion showed poorer validity than dorsiflexion/plantar flexion,
especially for small ranges of movement (RMSE as high as 18.8 for rotation and 11.2 for
inversion/eversion).
40
2.5.4. Reliability by Joint
2.5.4.1. Neck
The body of evidence for the neck is considered to be moderate (three studies, total of 48
participants [10 to 20 participants/study], one HQ study and two MQ). Standard error of the mean
(SEM) and ICC for inter-rater reliability ranged respectively from 1.2 to 9.4° and from 0.64 to
0.99 [157-159]. Cervical rotation showed poorer ICC (two studies with ICC < 0.8), while
flexion/extension and lateral flexion showed excellent reliability (ICC ≥ 0.8).
2.5.4.2. Shoulder
The body of evidence for the shoulder is considered to be limited (two studies, total of 30
participants (10 to 20 participants/study], one HQ study and one MQ). SEM and ICC for inter-
rater reliability ranged respectively from 4.2 to 7.8° and 0.71 to 0.99[122, 159]. Flexion/extension
movements showed higher reliability than abduction and rotation (RMSE: flexion–extension:
5.9–7.2°; abduction-adduction: 4.2–5.7°; rotation: 6.6–7.8°; r: flexion–extension: 0.96-0.99;
abduction–adduction: 0.72–0.91; rotation: 0.72–0.87).
2.5.4.3. Scapula
The body of evidence for the scapula is considered to be limited (one study, total of 20
participants, one HQ study). Inter-rater reliability is considered as fair to good for scapular
retraction–protraction and scapular mediolateral rotation (r = 0.59 to 0.91), but as poor to fair for
anterior–posterior tilt (r = 0.32 to 0.87) [160].
2.5.4.4. Elbow
The body of evidence for the elbow is considered to be conflicting as the two studies
included presented inconsistent results (two studies, total of 30 participants [10 to 20
participants/study]). One study showed excellent reliability in every movement direction (CMC
≥ 0.9) and the other presented poor to good reliability (ICC = 0.2 to 0.77) [122, 159].
41
2.5.4.5. Wrist
The body of evidence for the wrist is considered to be limited (two studies, total of 30
participants [10 to 20 participants/study], one HQ study and one MQ). Both studies presented
good to excellent intra-rater reliability for all joint movements (CMC and ICC between 0.79 to
0.96) [122, 159].
2.5.4.6. Trunk
The body of evidence for the trunk is considered to be moderate (three studies, total of 63
participants [19 to 24 participants/study], two HQ and one MQ study). Results from these three
studies are consistent and demonstrate good to excellent intra-rater reliability (ICC ≥ 0.8 except
for coronal plane which is fair to excellent (0.67 to 0.93)) [139, 159, 161].
2.5.4.7. Pelvis
The body of evidence for the pelvis is considered to be moderate (one study, total of one
participant, one HQ study). All pelvis movements showed good reliability with an absolute error
of less than 1.2° [135].
2.5.4.8. Hip
The body of evidence for the hip is considered to be moderate (three studies, total of 70
participants [20 to 26 participants/study], one HQ and two MQ study). Intra-rater reliability is fair
to excellent and inter-rater reliability varied across movements performed (good for walking [ICC
of 0.4 to 0.74] and poor for jumping [ICC ≤ 0.39] [139, 146, 159]).
2.5.4.9. Knee
The body of evidence for the knee is considered to be moderate (three studies, total of 56
participants [10 to 26 participants/study], one HQ and two MQ study). Intra-rater reliability was
fair to excellent and inter-rater reliability varied across movements performed (good for walking
[ICC from 0.4 to 0.74] and poor for jumping [ICC ≤ 0.39] [45, 53, 59]).
42
2.5.4.10. Ankle
The body of evidence for the ankle is considered to be moderate (three studies, total of
52 participants [12 to 26 participants/study], one HQ and two MQ study). Intra- and inter-rater
reliability varied across movements complexity (better for walking [ICC of 0.6 to 0.95] than
jumping [ICC of 0.39 to 0.99] or playing soccer [ICC of 0.28 to 0.79] [123, 146, 155]).
2.6 Discussion
This systematic review of 42 studies assessed available evidence on psychometric
properties of the use of M/IMUs to quantify joint movement. Regarding validity, M/IMUs appear
to provide a suitable alternative to motion-capture systems especially for flexion/extension
movements at the lower limb joints during simple movements. This systematic review has
provided an overview of current knowledge on the validity and reliability of the M/IMU system
for the whole body, as an update to a similar past review from Cuesta-Vargas et al. published in
2010 [10] and complements a recent review on the upper limb that focused more on the technical
aspects of M/IMU use (calibration, type of sensors) than on clinical applications (movement
complexity, more details on specific movement at each joint) [85]. The review from Cuesta-
Vargas et al concluded that validity depended on the joint studied and movement performed.
However, they did not report detailed results for each joint separately and only few comments
were made on movement complexity [10]. More specifically, they reported that increasing
movement complexity decreases the validity, but most of the cited studies they reported used only
simple planar movement protocols such as isolated flexion–extensions, which limited the
generalizability of their conclusions. Regarding Walmsley et al.’s review, their search was limited
to the upper limb [85]. Their results for the upper limbs are in agreement with those presented
here. In addition, they included conference proceedings, articles comparing M/IMUs with robotic
arms, and studies presenting data without comparison to a "gold standard". The increasing number
of studies in recent years that used complex movements to assess M/IMU validity and the focus
made on the upper limb joint partially explain the different conclusions between these two
systematic reviews and the present work [10]. Indeed, ecological tasks related to activities of daily
living generally require complex movements, the use of both upper and lower limb joints,
43
movements in more than one plane, and irregular movement speed, which all drastically affect
system performance (e.g., walking at different speed vs. running [155, 156]). For example, studies
reporting the worst validity assessed sporting tasks or activities of daily living such as sweeping
a table [126, 128]. Proper calibration (proper alignment of the M/IMU axes with the anatomical
segment axes) is another important factor contributing to better reliability, as different calibration
protocols may result in substantially different results [122]. As the initial calibration is the
reference to calculate joint angulation during body movement, a poor calibration in which sensors
are not aligned with the body segment could interfere with data quality. It was not possible in this
systematic review to reach a conclusion on the best calibration procedure for a given
movement/context, as many studies did not identify or sufficiently described their calibration
procedure.
The previous systematic review on whole body kinematics reported better results for
upper limb joints (elbow, wrist, shoulder) than lower limb joints [10]. This is opposite to our
results. We considered evidence related to the validity of shoulder, elbow, and wrist movements
to be conflicting, particularly when participants were involved in complex movements or when
the joint rotation around the Y axis was targeted. Functional upper limb tasks often require
performing complex movements around two or three axes (X, Y, Z), which can account for the
variability of results. In contrast, lower limb and trunk movements are mostly performed in closed
chains and in one plane of movement, providing more consistent results, except for movements
with smaller ROM (e.g., knee abduction/adduction or ankle internal/external rotation). Also, as
demonstrated by Robert-Lachaine et al. [131], the choice of the biomechanical model used to
convert M/IMU orientation data into anatomically meaningful information will also influence
validity differently depending on the joint studied. Their results showed that biomechanical
models used for the upper limbs are more likely to add variability, leading to larger RMSE. This
partly explains the large variability observed at the shoulder joint (RMSE as high as 40° in some
articles). According to Robert-Lachaine et al, shoulder rotation is also more influenced by the
biomechanical model than shoulder flexion–extension or abduction/adduction. Another important
44
aspect to consider, as discussed in the Materials and Methods section, is that the weaknesses of
each sensor in the estimation of joint kinematics could have separately impacted the
accuracy/reliability of M/IMUs as sensor fusion does not fully compensate for all sensors
limitations [107].
It is important to note here that, recently, several studies have questioned the validity and
accuracy of camera-based motion capture systems for certain joints and for complex movements
[139, 147]. Indeed, errors ranging from 5 to 10° when compared to goniometer, inclinometer, and
radiostereometric measurements have been evidenced (same error range as M/IMU systems).
Interestingly, and similar to M/IMUs, errors reported for camera-based motion capture systems
varied across movement planes and joints. Caution must therefore be taken when using these
systems as a gold standard for validating M/IMUs.
The validity of motion capture and M/IMUs for trunk and lower limb joints are similar
except for the rotation component, suggesting that M/IMUs could be a good alternative to motion
capture systems for movement measurements in the sagittal and frontal planes, but not in the
transverse plane. For the upper limbs, flexion/extension movements should be considered valid
in every context. However, the complexity of the movement leads to more variability in
abduction/adduction, which needs to be considered. For rotation, more studies are required to
identify the best approach for the most accurate data. In clinical settings, M/IMUs should be
considered as an alternative tool to inclinometers and goniometers, as they provide real-time data
in functional tasks within the same error range as these more classical measurement devices
(M/IMU: 0.7 to 15°; inclinometer and goniometer: 0.21 to 18°) for lower limb, trunk, wrist, and
elbow joints. However, more time and technical resources must be allowed for patient assessment
with this technology until the system becomes more user friendly.
Regarding reliability, the small number of studies for each joint did not allow us to make
strong conclusions. As mentioned above for validity, reliability is better for movements in the
45
sagittal and frontal planes than in the transverse plane. However, most of the included studies
only assessed reliability during simple planar movements and locomotor tasks. Here also, more
complex movements would probably show less reliable results. The different types of M/IMU
gave similar reliability results (e.g., Xsens, Cuela, and Gait-up Physilog) regardless of the joint
studied. Moreover, the absolute error reported for M/IMU ranged from 0.3° to 9.9° which is better
than the goniometer and inclinometer reliability (inclinometer: 1° to 32°; goniometer: 1° to 45°)
[162]. Reliability results are therefore promising, but more high-quality studies are needed to be
able to reach stronger conclusions, especially for complex movements.
Rehabilitation research and health care services could benefit from M/IMUs as they
provide valid data to assess range of motion and joint orientation. The present systematic review
has focused on healthy subjects to reduce the variability in reported data, but M/IMUs need to
ultimately benefit pathological populations and clinicians by guiding clinical decision making
(e.g., quantify deficits and determine progress in time) [163]. As the validity has been
demonstrated in a majority of body joints for healthy subjects, it opens the possibility to assess
psychometric properties in pathological populations. However, special considerations will be
needed in pathological populations as most of the calibration procedures require specific posture
or movement, which could be challenging for some populations (e.g., cerebral palsy). Also, to be
clinically useful these systems should be validated in ecological settings which could prove to be
difficult considering the changing environment of the real world and the need for an established
gold standard outside of the laboratory settings [77].
Limitations of this research include that the validity and reliability results presented in
this systematic review represented the use of M/IMU in controlled environments as all the
included studies were performed in laboratory settings. Therefore, they cannot be considered as
directly representing M/IMU performance during real-life/outside of laboratory use. More studies
in work and home environments need to be performed in order to generalize the findings. In
addition, the lack of standardization in protocols such as the use of different biomechanical
models for the same joint or of different calibration procedures and sensor placements makes it
46
impossible to identify the main contributing factor to measurement errors. This highlights the
need for specific guidelines and standardization for M/IMU, similar to the Seniam guidelines [94]
for electromyography, as they could drastically reduce variability between studies. Furthermore,
despite the high number of studies included in this review (42 articles), there are only twelve high
quality studies, which restricted conclusions. However, the majority of studies had the same
limitations: small sample sizes without justification, targeting only one psychometric property,
and lack of description of inclusion/exclusion criteria. These factors have lowered study quality
but did not interfere with precision of the reported data.
Most of the studies included in this review are of moderate to high quality, suggesting a
low risk of bias in conclusions. The overall quality of all articles was reduced by the small sample
sizes (see above). Only two articles had a good score on this criterion, but based mainly on the
fact that a justification was provided. The sample size used in included studies ranged from one
to 38 participants. This is below the recommended sample size for this type of study (50
participants). This could lead to misinterpretation [115]. To lower this risk of bias, we gave less
impact to studies performed on only one participant.
Another important risk of bias is the heterogeneity of movements studied across the 42
articles, which did not allow us to perform quantitative analysis. The complexity of the
movements assessed varied widely between studies and, as mentioned, M/IMU systems have
lower validity in complex movements than in simple movements.
2.7 Conclusion
In conclusion, results from this systematic review suggest that M/IMUs are an appropriate
alternative to motion-capture based systems to study human movement. However, as a restricted
number of articles have been conducted on M/IMU reliability it is not possible to reach a
conclusion on the best specific procedures (e.g., the calibration) to ensure reliable data. More
studies in ecological environments are also needed before using M/IMU extensively outside of
47
the laboratory. The main advantage of M/IMUs is that they can provide accurate data at a lower
cost than a motion-capture system. However, M/IMU users should consider movement
complexity, sensor placement, joint studied, biomechanical models used, and calibration
procedure, before drawing specific conclusions. Further studies are needed to standardize data
acquisition protocols with these devices to allow a meta-analysis of the results.
Supplementary Materials: The following are available online at www.mdpi.com/xxx/s1 and at
the end of this thesis (Annexe A – Supplementary files Chapitre 1): Table S1: Specialized
keywords used for each database search; Table S2: Synthesis of criterion validity results; Table
S3: Synthesis of reliability results; Table S4: Assessment of methodological quality by an
appraisal quality tool (MacDermid et al., 2008); Table S5: Assessment of studies examining
measurement errors (absolute measures) using the COSMIN checklist (box B); Table S6:
Assessment of studies examining measurement errors (absolute measures) using the COSMIN
checklist (box C); Table S7: Assessment of studies examining criterion validity using the
COSMIN checklist (box H)
48
Chapitre 2: Validity of Wearable Sensors at
Shoulder Joint: Combining Wireless
Electromyography Sensors and Inertial
Measurement Units to Perform Physical
Workplace Assessment
Co-auteurs : Isabelle Poitras1,2, Mathieu Bielmann1,2, Alexandre Campeau-Lecours1.3, Catherine
Mercier1,2, Laurent J. Bouyer1,2 and Jean-Sébastien Roy
1 Centre for Interdisciplinary Research in Rehabilitation and Social Integration and Laval
University, Quebec City, Quebec, Canada
2 Department of Rehabilitation, Laval University, Quebec City, Canada
3 Department of mechanical engineering, Laval University, Quebec City, Canada
Publié le 19 avril 2019
Publié dans le journal Sensors
3.1 Résumé
Le développement de mesures quantitatives pour supporter les adaptations de postes de
travail effectués pour diminuer les facteurs de risque de blessures aux épaules est nécessaire. Le
but de cette étude est de valider des mesures quantitatives de mouvement et d’activité musculaire
à l’épaule en1) évaluant la validité des capteurs inertiels (Xsens) comparés à un système de
capture de mouvements (Vicon) et 2) établissant la validité discriminante d’un système d’EMG
(Trigno) pour l’évaluation de l’activité musculaire lors d’une tâche de manutention. Méthode :
Seize participants ont effectué 12 mouvements simples et 16 tâches de manutention. Les systèmes
Xsens et Vicon ont enregistré l’amplitude articulaire à l’épaule, alors que le Trigno enregistrait
l’activité musculaire des deltoïdes antérieur et moyen. Résultats : Les résultats de validité du
Xsens sont élevés et le deltoïde antérieur présente une meilleure capacité discriminante que le
49
deltoïde moyen. Conclusion : La combinaison du Xsens et du Trigno est un outil valide pour
évaluer la demande physique de l’emploi à l’épaule.
3.2 Abstract
Background: Workplace adaptation is the preferred method of intervention to diminish
risk factors associated with the development of work-related shoulder disorders. However, the
majority of the workplace assessments performed are subjective (e.g. questionnaires).
Quantitative assessments are required to support workplace adaptations. The aims of this study
are to assess the concurrent validity of inertial measurement units (IMUs; MVN, Xsens) in
comparison to a motion capture system (Vicon) during lifting tasks, and establish the
discriminative validity of a wireless electromyography (EMG) system for the evaluation of
muscle activity. Methods: Sixteen participants performed 12 simple tasks (shoulder flexion,
abduction, scaption) and 16 complex lifting tasks (lifting crates of different weights at different
heights). Delsys Trigno EMG system was used to record anterior and middle deltoids’ EMG
activity, while the Xsens and Vicon simultaneously recorded shoulder kinematics. Results: For
IMUs, correlation coefficients were high (simple task:>0.968; complex task:>0.84) and RMSEs
were low (simple task:<6.72°; complex task:<11.5°). For EMG, a significant effect of weight,
height and a weight x height interaction (anterior: p<0.001; middle: p<0.03) were observed for
RMS EMG activity. Conclusions: These results suggest that wireless EMG and IMUs are valid
units that can be used to measure physical demand in workplace assessments.
3.3 Introduction
Work-related upper extremity disorders represent a major and increasingly prevalent
health problem in industrialized countries [23], as they incur important economic costs, lead to
loss of productivity, affect workers’ quality of life and can lead to premature retirement [17]. The
shoulder is the joint most frequently affected by work-related upper extremity disorders, with a
prevalence varying between 18 and 26% [18, 26]. Physical work-related factors such as overhead
work (more than 60° of arm elevation) and tasks requiring significant force (e.g. more than 10%
50
of the maximal voluntary contraction, or lifting objects weighing more than 20 kg) appear to be
important risk factors in the development of work-related shoulder disorders [42, 52, 164].
To prevent work-related shoulder disorders, most interventions use workplace
adaptations or educational programs to decrease the physical demands on the shoulder joint.
However, the lack of clinical objective assessments makes it difficult to determine the
interventions’ efficiency to decrease repeated or sustained arm elevations or at lowering strength
requirements. The majority of workplace assessments are based on self-administered
questionnaires, interviews or clinical observations [26]. A few studies have used camera-based
motion capture systems to assess simulated working tasks in the laboratory to complement the
usual workplace assessments with more objective data [103, 165]. However, camera-based
systems lack portability and can hardly be used outside the laboratory [10].
Accelerometers have been used for several years to assess physical activity in rehabilitation
research; however they have been shown to lack precision for kinematics estimation (e.g. lower
accuracy for increasing segment acceleration) [104]. To overcome this limitation, gyroscopes and
magnetometers are now commonly added to the wearable units (called inertial measurement units
[IMU]). By combining the signals of each sensor through optimized data fusion algorithms, a
reasonably accurate estimate of IMU orientation can be obtained. Still, a recent systematic review
on the psychometric evidence of IMUs for the assessment of joint movement has reported highly
variable results when using IMUs to evaluate the shoulder joint. The main reason behind these
findings was the difficulty in analyzing movements in more than one plane [166].
Recent improvement in IMUs hardware/software/data processing could result in
improved validity for the evaluation of movements at the shoulder joint. The improved systems
could therefore be an alternative to quantifying human movements outside the laboratory, i.e. in
more ecological settings, such as actual work environments. At the shoulder, IMUs have been
validated in several contexts but mostly during simple arm movements (movements performed in
51
only one plane of movement [sagittal, frontal or transverse]) [10]. Unfortunately, such movements
are not representative of real work demands. The shoulder is the most mobile joint of the human
body, and everyday tasks require that it performs complex 3D movements [26, 167]. Few studies
have validated IMUs for the shoulder joint during complex tasks (movements performed in more
than one plane of movement) and have shown that validity is highly variable [125, 126, 128, 131],
as previously mentioned.
Other physical factors such as increases in muscle activity and muscle fatigue are also
associated with a higher risk of work-related shoulder disorders [164]. During laboratory
assessments, wireless electromyography (EMG) systems are often used to quantify muscle
activity and fatigue, and these systems are sometimes also used in the clinic. During arm
elevation, shoulder muscles are highly requested to maintain joint stability, and having an
adequate muscle activation pattern plays a major role in the prevention of injuries [168]. To the
best of our knowledge, only two studies have identified the effects of arm elevation and weight
lifting on muscle activation during simulated working tasks [96, 97]. However, the effect of
shoulder range of motion was not accounted for, which can be an important contributing factor to
shoulder pain of manual handling workers. Also, wireless EMG systems lack validation in work
contexts, limiting their current application in clinical and work environments.
Therefore, the aims of this study are 1) to evaluate the criterion validity of a commercial
IMU system (Xsens MVN Awinda system) by comparing it to a camera-based laboratory motion
capture system (Vicon), during isolated shoulder movements and complex upper extremity lifting
tasks; and 2) to evaluate the discriminative validity of a wireless EMG system (Delsys Trigno;
EMG activity of the anterior and middle deltoid muscles) by looking at its discriminative
capacities according to shoulder range of motion (ROM) and lifting weights. The hypotheses are
that 1) criterion validity will be characterized as good to excellent (0.8 ≥ r ≤ 1.0, error of
measurement ≤ 15°) for both simple movements and complex tasks, but errors of measurement
for arm elevation will be larger in complex tasks; and 2) that EMG activity will increase with arm
52
elevation and heavy weight lifting (p<0.05), and the increase will be larger for the anterior deltoid,
as it is the main shoulder muscle agonist for lifting in the sagittal plane. Aggregating the IMU and
EMG data will provide a good estimate of shoulder physical demands in simple and complex
tasks simulating the real work environment.
3.3 Materials and Methods
3.3.1. Participants:
Sixteen healthy participants (8 males, 12 right-handed [1 ambidextrous], 26.4 ± 4.1 years,
1.73 ± 0.09 m of height) were recruited (sample size required for an effect size of 0.8, with α=0.05
and 1-β= 0.95). Inclusion criteria were: 1) to be between 18 and 65 of age, and 2) absence of self-
reported neurological or musculoskeletal conditions (pain, mobility limitations) that could
interfere with task execution. All participants gave written informed consent prior to experiment
onset; this study was approved by the local ethics committee (CIUSSS-CN; project #217-539).
3.3.2. Instrumentation and data collection:
Shoulder movements were recorded simultaneously with 9 IMUs positioned at
standardized locations on the upper body (MVN, Xsens Technologies, Enschede, Netherlands)
and nine Vicon MX cameras (seven MT40-S and two MT10- S cameras, Vicon Motion Systems
Limited, Oxford, UK), respectively at 60 and 100 Hz. The IMUs were placed on: head, shoulder
(2), sternum, upper arm (2), forearm (2) and pelvis. IMUs were fixed with hook and loop straps
around arms and on Lycra suit for the trunk in accordance with the sensor configuration
recommended by Xsens [169]. Rigid triads of retroreflective markers were placed on the C7
spinous process, as well as on the right and left upper arms. Single markers were temporarily
placed bilaterally on specific anatomical landmarks (sternal notch, lateral epicondyle, medial
epicondyle and glenohumeral junction) for calibration. To record muscle activity, wireless surface
EMG sensors (Trigno Wireless EMG system, Delsys, Boston, Massachusetts, USA) were
53
positioned bilaterally on the anterior and middle deltoid muscles according to Seniam
recommendations [94].
3.3.3 Study design and experimental procedure:
All participants took part in one testing session. Before the experiment began, the
experimenter explained the protocol, answered questions and obtained written consent from each
participant. Then, all participants filled a sociodemographic questionnaire and the Edinburgh
Handedness Inventory. Wireless EMG sensors were placed after skin preparation (skin was
cleaned by rubbing it with alcohol for 5 seconds). A signal preview from each sensor was used to
assess signal quality. Three maximal voluntary contractions (MVC) were performed for each
muscle (anterior and middle deltoids) with one-minute breaks in between. Thereafter, Xsens
sensors and Vicon markers were placed on the upper body. Anthropometric measures (height,
shoulder width, arm span, hip height, hip width, knee height, ankle height, foot size and sole
height) were gathered and filled in the MVN Studio software (MVN studio software, v. 4.4.0,
Xsens Technologies, Enschede, Netherlands). An anatomical pose (participant standing straight
looking forward, arms along body side, palms facing forward) was performed to calibrate the
Vicon system and an N-pose (participant standing straight looking forward, 90° shoulder
abduction, palms facing the ground) was held to calibrate the Xsens system. Then, the protocol
was divided in two parts: 1) isolated shoulder and trunk movements, and 2) complex lifting tasks.
During part one, IMU validity was first assessed during simple shoulder movements.
Three isolated movements (flexion, abduction and scaption) were performed 5 times each at 3
different joint angles (60, 90 and 120° measured with an inclinometer). Then, three combined
trunk movements (anterior flexion, lateral bending and rotation) were repeated 5 times each while
the shoulder was maintained in a 90° flexion (12 different movements*5 repetitions = 60 trials
per participant).
54
A standardized handling assessment system, Valpar 19 (Valpar International Corporation,
Tucson, United States), was used to assess the validity of IMU and surface EMG during complex
tasks. This system comprises a shelf with three levels (high [H]: 1.74 m; medium [M]: 1.25 m;
low [L]: 0.46 m from the ground) where crates of different weight representing specific physical
work demand levels (sedentary [2.3kg], light [6.8kg], moderate [13.6kg] and moderate to heavy
[22.7kg]) can be placed [170]. Participants were asked to lift a crate from a step located 1.8 meter
in front of the shelf, move it to a specific location on the shelf, take a 3-second break with arms
along the body and return the crate back to the starting position. They were asked to take the
lifting strategy of their choice and a stepladder was made available to them to bring the crates to
the high shelf, when/if necessary. Each lifting (i.e. each given height and weight combination)
was repeated twice. To ensure participant safety, only sedentary and light weights were used for
the medium and higher shelves (2 weights*2 trials = 4 trials / shelf); all weights were used for the
lower shelf (4 weights * 2 trials = 8 trials). Height and weight were randomly assigned for a total
of sixteen trials.
3.3.4. Data processing:
Kinematic data of the right arm were processed for both motion capture systems. The data
collected from Vicon was processed in the Nexus software (Vicon Motion Systems Limited,
Oxford, UK). Each trial was manually inspected, markers were labelled and gaps of 15 or less
samples were linearly interpolated. The data were then digitally low-pass filtered at 8 Hz
(Butterworth double-pass filter). Before calculating joint angles, sensor positions were re-
initialized in N-pose. Then, joint angles at the shoulder joint were calculated relative to the
position of the trunk and arm markers and by applying the ZYZ Euler rotation sequence.
Each Xsens sensor orientation was extracted from MVN Studio BIOMECH (Xsens
Technologies) and exported in ASCII in the form of a quaternion. The data were then imported
into MATLAB R2017a (The Math Works Inc., Natick, Massachusetts, United States) and the
quaternions were converted into a rotation matrix. Joint angles were then calculated relative to
55
the orientation of the trunk and upper arm sensors. The rotation sequence ZYZ was also used to
calculate Euler angles.
EMG signals were processed with a custom software written in MATLAB. They were
digitally filtered with a fourth-order zero-lag Butterworth filter (band-pass 20–450 Hz), and a
root-mean-square rectangular window of 20 ms was used for rectifying and smoothing the signal.
Mean RMS value of MVC for each muscle was used to normalize EMGs. The output of
accelerometers from Trigno and Xsens sensors was used to synchronize EMG and kinematic data
by performing a cross-correlation. Then, a custom-written algorithm was used to identify the
“lifting” and ”dropping” phases of the manual handling task. Analyses were only performed for
the ”lifting” phase as both muscles perform concentric work during this phase of movement [171].
Results were calculated for the arm which was farther away from the body when lifting (identified
manually for each trial, see Figure 1). The peak activation and the area under the burst were
calculated for each weight and height.
Figure 3-1: A) Positioning example for sensors – front view, B) Positioning example for sensors
– back view, C) Lifting trial example; for this specific trial, the left arm was analyzed as it was
the arm which was farther from the body when lifting.
A
B
C
56
3.3.5. Statistical analysis:
Descriptive analyses were performed on sociodemographic data (mean and standard
deviation [SD]). Cross-correlation analyses (r) were performed on Vicon and Xsens data to
establish the criterion validity of the Xsens for arm elevation. Correlation was considered as poor
(less than 0.5), moderate (between 0.5 and 0.75), good (between 0.75 and 0.9) and excellent
(greater than 0.90) [119, 172]. Shoulder angles (each of the Euler angle separately) calculated
from Vicon and Xsens for arm elevation were compared using root-mean-square error (RMSE)
which represents the mean error between the angle calculated by the reference system and the
IMU. For complex tasks, every trial was processed and analyzed separately; all results were then
combined for statistical analysis. A one-way analysis of variance (ANOVA) was performed on
kinematic data to test whether the RMSE differed according to the shelf height. A one-way
ANOVA was also used to calculate the effect of lifting weight from the lower shelf on muscular
activity (for peak value and root-mean-squared [RMS; area under the curve]). A two-way
ANOVA was used to calculate the effect of shelf height (3 shelves), crate weight (2.3 and 6.8 kg)
and crate weight x shelf height interaction effects on EMG activity (for peak value and RMS).
3.4 Results
3.4.1. Kinematic data:
The correlation coefficients were excellent for all simple movements (range 0.917 - 0.999).
Correlation coefficients for complex tasks were lower but still considered good (0.846 ± 0.103).
Simple shoulder movements without combined trunk motion showed the lowest RMSE and
average error of estimate (RMSE = 2.8 - 6.7°; error of estimate= 2.4 - 5.5°), while more variability
was present for combined trunk movement, particularly for trunk rotation and lateral bending
(Rotation [mean ± SD]: RMSE = 12.8 ±7.6°; average error of estimate= 10.2 ± 6.1°; Lateral
bending [mean ± SD]: RMSE = 11.6 ±5.6°; average error of estimate= 9.7 ± 4.9°) and for the
complex lifting tasks ([mean ± SD]: RMSE= 11.5 ± 2.4°; average error of estimate= 9.2 ± 2.0°).
See Table 1 for detailed results and Figure 2 for the kinematic patterns of a typical subject.
57
Figure 3-2: Kinematic pattern (range of motion) of a typical subject performing simple movements (A: 90° shoulder flexion , B: 90° shoulder abduction,
C: 90° shoulder scaption, D: 90° shoulder flexion combined to trunk flexion, E: 90° shoulder flexion combined to lateral trunk bending, F: 90° shoulder
flexion combined to trunk rotation) and a complex task (G: lifting and dropping of a crate on the medium shelf). Vicon kinematic pattern is traced in
red and Xsens kinematic pattern is traced in black.
58
Table 3-1 : Correlation coefficient, root-mean-square error, average error of estimate and absolute error for simple and complex movements.
Legend: r: correlation coefficient; SD: standard deviation; RMSE: root-mean-square error
Movement/Task
Range of motion
(°)/movement
combined
r (mean [SD])
RMSE arm
elevation (mean
[SD]) (°)
Average error of
estimate (mean
[SD]) (°)
Flexion 60 0.968 [0.066] 5.17 [2.81] 4.38 [2.26]
90 0.998 [0.002] 4.67 [2.95] 3.86 [2.33]
120 0.997 [0.003] 6.21 [3.90] 4.97 [3.01]
Abduction 60 0.998 [0.001] 2.77 [1.28] 2.37 [1.13]
90 0.999 [0.0003] 3.75 [2.86] 2.97 [2.18]
120 0.999 [0.0004] 4.92 [3.02] 3.95 [2.35]
Scaption 60 0.997 [0.002] 3.95 [2.89] 3.17 [2.16]
90 0.998 [0.001] 5.16 [4.12] 4.18 [3.45]
120 0.999 [0.001] 6.72 [4.20] 5.46 [3.53]
Trunk movements Anterior flexion 0.974 [0.057] 7.05 [3.81] 6.08 [3.53]
Lateral bending 0.970 [0.041] 11.63 [5.56] 9.72 [4.85]
Rotation 0.917 [0.099] 12.82 [7.61] 10.15 [6.12]
Complex tasks Mean 0.846 [0.103] 11.48 [2.42] 9.18 [2.02]
Lower shelf 0.851 [0.111] 9.62 [3.79] 7.77 [2.99]
Medium shelf 0.840 [0.087] 11.33 [4.04] 9.03 [3.01]
Higher shelf 0.870 [0.057] 12.68 [2.96] 10.24 [2.35]
p-value 0.621 0.067 0.054
59
3.4.2. EMG activity
3.4.2.1. Anterior deltoid
When comparing the four weights for the lower shelf, anterior deltoid EMG activity was
found to significantly increase with crate weight (RMS: p<0.0001, η2= 0.51, peak: p<0.0001, η2=
0.46). Post-hoc analyses showed that the EMG activity increased gradually across weights lifted
(RMS [mean (standard deviation(SD))]: L1= 32.4 (10.9)%; L2= 49.6 (35.7)%; L3= 67.9 (37.0)%;
L4= 90.7 (58.0)%) and the difference was significant when comparing all pairs of weights (L1-
L2: p=0.003; L1-L3: p=0.001; L1-L4: p=0.0003; L2-L3: p=0.021; L2-L4: p=0.0001; L3-L4:
p=0.03).
When comparing the two lightest weights (sedentary and light) across the three shelf
heights, a significant effect of weight (RMS: p<0.001, η2= 0.89, peak: p=0.001, η2= 0.54) and
height (RMS: p<0.001, η2= 0.48, peak: p=0.003, η2= 0.317) was found. A weight x height
interaction was also observed (RMS: p=0.001, η2= 0.36, peak: p=0.001, η2= 0.38). Post-hoc
analyses revealed that the difference between the weights was significant only for the higher shelf
(RMS [mean (SD)]: H1= 64.90 (24.32 %; H2= 119.38 ± 44.66%, p<0.001). Effects observed
were larger for RMS data than peak EMG activity (for detailed results see Figure 3, Tables 2 and
3).
60
Figure 3-3 : Anterior deltoid EMG activity (RMS) for a typical subject for different shelves (A: Lower shelf, B: Medium shelf, C: Higher shelf) and
weights (Lower shelf: L1 = 2.3 kg, L2 = 6.8 kg, L3 = 13.6 kg, L4 = 22.7kg; Medium shelf: M1 = 2.3 kg, M2 = 6.8 kg; Higher shelf: H1 = 2.3 kg, H2 =
6.8 kg).
A B C
61
Table 3-2 : Mean and SD of normalized EMG activity (area under the curve and peak EMG activity) for anterior and middle deltoids.
Legend: SD: standard deviation; MVC: Maximum voluntary contraction; L1: lower shelf, weight 2.3kg; L2: lower shelf, weight 6.8 kg; L3: lower shelf, weight 13.6 kg; L4:
lower shelf, weight 22.7kg; M1: medium shelf, weight 2.3 kg; M2: medium shelf, weight 6.8 kg; H1: higher shelf, weight 2.3 kg; H2: higher shelf, weight 6.8 kg
L1 L2 L3 L4 M1 M2 H1 H2
Anterior
deltoid
RMS (% of
MVC)
Mean 32.41 49.60 67.86 90.70 45.97 65.88 64.90 119.38
SD 10.85 35.67 37.00 58.02 40.89 40.31 24.32 44.66
Peak EMG
activity (%
of MVC)
Mean 37.93 65.45 75.71 87.35 39.91 54.02 56.66 87.28
SD 13.05 44.40 42.11 50.49 30.79 35.68 17.90 34.74
Middle
deltoid
RMS (% of
MVC)
Mean 35.13 43.16 34.04 46.63 32.92 55.52 50.83 100.87
SD 28.39 32.20 40.91 44.91 32.51 46.14 32.17 62.23
Peak EMG
activity (%
of MVC)
Mean 38.84 50.08 47.55 53.86 27.63 43.64 41.39 68.50
SD 29.15 42.58 38.14 36.28 23.21 33.61 26.19 40.30
62
Table 3-3: Results for anterior and middle deltoids’ EMG activity (p-value and effect size for area under the curve and peak EMG activity).
One-
way
ANOVA
p-value
One-
way
ANOVA
η2
Two-
way
ANOVA
p-value
Two-
way
ANOVA
η2
Post-hoc analysis
L1
vs
L2
L1
vs
L3
L1
vs L4
L1
vs
M1
L1 vs
H1
L2 vs
M2
L2 vs
H2
L2 vs
L3
L2 vs
L4
L3
vs
L4
M1
vs
M2
M1 vs
H1
M2 vs
H2
H1
vs
H2
Anterior
deltoid
RMS
(p-
value)
Weight
effect <0.001 0.505 <0.001 0.889
Height
effect - - <0.001 0.480
Weight
x
Height
effect
- - 0.001 0.361 0.003 0.001 <0.001 0.042 0.197 0.928 <0.001 0.021 <0.001 0.03 0.124 0.678 <0.001 <0.001
Peak
EMG
activity
(p-
value)
Weight
effect <0.001 0.460 0.001 0.540
Height
effect - - 0.003 0.317
Weight
x
Height
effect
- - 0.001 0.383 0.077 0.001 <0.001 0.012 0.793 0.764 0.002 0.115 0.001 0.102 0.361 0.011 <0.001 <0.001
Middle
deltoid
RMS
(p-
value)
Weight
effect 0.159 0.917 0.002 0.523
Height
effect - - 0.028 0.241
Weight
x
Height
- - 0.003 0.352 0.143 0.791 0.626 0.302 0.834 0.723 0.002 0.754 0.810 0.576 0.378 0.325 0.004 <0.001
Peak
EMG
activity
Weight
effect 0.244 0.093 0.121 0.163
Height
effect - - 0.539 0.037
63
(p-
value)
Weight
x
Height
- - 0.001 0.388 0.647 0.274 0.027 0.206 0.194 0.788 0.013 0.783 0.562 0.383 0.408 0.054 0.015 0.001
Legend: RMS: root-mean-squared; η2: partial eta squared (effect size); L1: lower shelf, weight 2.3 kg; L2: lower shelf, weight 6.8 kg; L3: lower shelf, weight 13.6 kg; L4:
lower shelf, weight 22.7 kg; M1: medium shelf, weight 2.3 kg; M2: medium shelf, weight 6.8 kg; H1: higher shelf, weight 2.3 kg; H2: higher shelf, weight 6.8 kg
64
3.2.2. Middle deltoid
When comparing the four weights for the lower shelf, no significant difference was found
for middle deltoid EMG activity (RMS: p=0.159, η2= 0.92, peak: p=0.24, η2= 0.09). When
comparing results for the two lower weights on the three shelf heights, there was a significant
effect found in the weight increase (RMS: p=0.002, η2= 0.523) and height increase (RMS:
p=0.028, η2= 0.241), but only for the higher shelf (H1 vs H2: p<0.001). Also, for the RMS, a
weight, a height and a weight x height interaction effect were observed (weight: p=0.002,
η2=0.523; height: p=0.028, η2=0.241; weight x height: p=0.003, η2= 0.352; height). For peak
EMG activity, only a weight x height interaction was observed (p=0.001, η2= 0.388). Post-hoc
analysis identified significant differences between L2-M2 (p: RMS= 0.002; peak= 0.013), M2-
H2 (p: RMS= 0.004; peak= 0.015) and H1-H2 (p: RMS=0.00045; peak= 0.001) for RMS and
peak EMG. Also, a significant difference for L1-L4 peak EMG was observed (p = 0.027; for
details, see Tables 1 and 2).
3.5 Discussion
As we hypothesized, the results from this study confirm that the two commercial wireless
systems (Xsens MVN and Trigno EMG) are valid tools to assess shoulder movements and muscle
activity during simple arm elevations and complex lifting tasks. The comparison between Xsens
and Vicon shows that IMUs are valid to assess shoulder elevation ROM during simple arm
movements (r≥ 0.917; RMSE≤ 12.82°; average error of estimate≤ 10.15°) and complex lifting
task, regardless of the height at which the crates are placed on the shelves of Valpar 19 (r≥ 0.839;
RMSE≤ 12.68°, average error of estimate≤ 10.24°). As for EMG activity, anterior deltoid should
be considered as an interesting muscle to discriminate between the different levels of physical
work demands (sedentary, light, moderate and high) when performing tasks that necessitate
forceful contractions in the sagittal plane. The middle deltoid EMG activity varied depending on
the weight and height at which the crates were placed, but was less discriminant than the anterior
deltoid (significant results only for L2-H2, M2-H2 and H1-H2) for tasks performed in the sagittal
plane. RMS and peak EMG activity were both discriminative. However, the discriminative
potential of RMS is larger and it should therefore be preferred over peak activity to discriminate
between the different physical work demands.
Assessing arm elevation is challenging since the shoulder is a highly mobile joint and
necessitates 3D analysis. As mentioned above, IMUs could potentially be useful for workplace
evaluations to quantify physical work demands over extended periods of time. However, no clear
conclusion has previously been reached on IMU validity for arm elevation due to the
heterogeneity of results and the small number of studies addressing their validity during complex
65
tasks [10]. Our results confirm that IMUs are valid to assess arm elevation, although the
correlations with the Vicon were higher for simple movements than for complex tasks. These
results are compatible with previous studies in which the validity of maximal range in shoulder
elevation (simple task) was evaluated [122, 129, 136, 138]. However, two studies reported lower
RMSE (ranging from 1.13 to 2.38°) than those reported herein with regards to arm elevation
during simple movements [100, 137]. These differences could be explained by several factors
including differences in the biomechanical models used, sensor positioning and experimental
protocols. Indeed, one study [137] reported results with the elbow constrained in the neutral
position, thereby reducing errors in sensor misalignment due to soft tissue artifact. The second
article [100] presented results during isolated wrist movements with small movements at shoulder
joint. In comparison, our results are more representative of movement patterns seen in real life
since the motion was not restricted.
For complex tasks, two previous studies evaluated lifting tasks similar to those presented
herein; however, their results were quite different [128, 131]. One study [128] showed RMSE
results lower than ours in regards to MVN Xsens. A post-processing step was however added to
reduce the error due to the choice of the biomechanical model. The RMSE that they reported
without removing biomechanical model variability was much larger than the RMSE reported in
this study (19.7° vs. 2.9°, respectively). The other study [128] reported higher errors of
measurement and more variability (ranging from 9.6 to 33.1°), but their results originate from
using an older version of the XSens IMUs which could explain the discrepancy.
It is well-known that performing physically demanding tasks at shoulder level represents
an important risk factor for developing work-related shoulder disorders [26]. Our results
demonstrate that anterior deltoid muscle activity can be a good indicator of the physical demands
on the shoulder since RMS and peak EMG activity can discriminate between different work
demand levels (sedentary, light, moderate and heavy) [170]. These results correspond to those of
a previous study from Silvetti et al, who observed an effect of weight and height on anterior
deltoid activity [98]. Unlike this work, their study did not show a weight x height interaction,
which could be explained by two main factors: 1) they placed the crates at varying distances from
the shelf edge depending on the height at which it had to be placed (whereas we always used the
same distance), and 2) the difference in weight between the two objects carried by the participants
of Silvetti’s study was smaller (Silvetti’s study: 6/8 kg compared to 2.3/6.8 kg in this study).
Furthermore, two other studies have shown results (height and weight effects) similar to ours
regarding the anterior deltoid muscle, but they also found larger differences across weight lifted
for the middle deltoid [96, 97]. This difference could be explained by the fact that we only
analyzed the lifting phase; they demonstrated higher co-activation during dropping than lifting.
66
However, similar to this study, they have shown discriminative anterior deltoid potential.
Therefore the results of the present study show that is possible to identify physical work demands
of a specific task by analyzing muscle activity.
3.5.1. Technical issues to be considered prior to clinical implantation:
Other wearable sensors are also available to collect different types of bio-signals on
workers (i.e. photosensors [light level], heart rate and skin conductance sensors [for stress and
other physiological /psychological states], global positioning systems [GPS; mobility,
environment]). However, we chose to focus on the validation of IMU and EMG sensors as we
consider them to have the highest potential for directly quantifying physical work demands at the
upper extremities (e.g. number of arm elevations, time spent with the arm elevated, forceful work
and muscle fatigue) [104]. Wearable technologies have greatly improved over the last few years.
Progress has been made to improve software accuracy (e.g. development of better algorithms)
and hardware stability (e.g. lesser sensitivity to magnetic disturbances [173]). Furthermore, real-
time processing now allows to obtain more accurate 3D data with negligible processing delay.
Systems have also significantly improved their portability given the development of smaller,
lighter, wireless units. For all of these reasons, the two systems are potentially useful tools for
clinicians. Still, certain technical concerns should be addressed before implementing them for
workplace assessment. Indeed, the software used for data collection and the post-processing
needed to obtain interpretable data are complex, time-consuming and not user-friendly (requiring
technical competency in signal processing). The current technology therefore needs to be
improved before clinical uptake. Also, and more specifically for IMUs, more flexibility in the
number of sensors needed to collect meaningful and accurate data should be addressed as Xsens
software requires at least seven IMUs. Nevertheless, the results for simple and complex
movements are very promising for clinical use as the reported errors (RMSE≤12.68°) are lower
than the errors of inclinometers and goniometers currently used in clinic (95% limits of agreement
ranged from 2° to 20°)[174]. Moreover, inclinometers and goniometers do not allow continuous
monitoring during the task.
3.5.2. Study limitations:
The evaluation of shoulder kinematics is complex, and certain limitations need to be
considered in our protocol. First, the calibration of both systems had to be performed at different
body positions due to software requirements (N-pose for Xsens and anatomical calibration for
Vicon) which can increase the error of measurement as validity is dependent on the calibration
method [175]. We performed a post-processing re-initialization in N-pose to diminish the errors.
67
Secondly, only arm elevation was analyzed. This choice was motivated by the clinical relevance
of this movement, since the range of motion in shoulder elevation is usually targeted in workplace
prevention/interventions.
However previous studies suggest that the errors are usually higher for the other two rotations
[10], and therefore the current results cannot be extended to other types of movement. For EMG
activity recording, there is one main consideration regarding the protocol used. Considering the
high prevalence of rotator cuff injury, it would have been interesting to evaluate rotator cuff
muscles [176]. However, surface EMG recordings for rotator cuff muscles is not reliable since
they are deep muscles [89]. Anterior and middle deltoids were the most appropriate superficial
muscles to evaluate physical work demands as they showed greater amount of fatigue on EMG
recordings in comparison to other superficial muscles in a variety of tasks [91, 177, 178]. Finally,
this study is the first step in the validation process of these wearable sensors. Indeed, in the present
research, the suitability of combining IMU and EMG sensors has been demonstrated during
simulated working tasks. The next step will be to validate their use in the workplace, in the frame
of actual work situations.
3.6 Conclusion
In conclusion, wireless EMG and IMU systems can be used to assess two important risk factors
during simple and complex working tasks: 1) working with arms above the head and 2) using
forceful contractions. IMUs reported lower errors of measurement compared to most tools
currently used in the clinic (goniometer and inclinometer). Still, certain improvements need to be
implemented for the systems to become more accessible and easier to use by clinicians. In
addition, anterior deltoid muscle activity was shown to be a good indicator of physical demand.
It is therefore a potentially useful clinical indicator to identify physically demanding tasks/jobs
and to quantify muscle activity in the workplace. However, although these results are promising
for socio-professional rehabilitation, studies performed in the workplace are now needed to
support their suitability in actual work situations.
68
Chapitre 3 - Discussion
Les travaux présentés dans ce mémoire avaient pour but dans un premier temps de faire
une synthèse de la littérature sur les qualités psychométriques des capteurs inertiels pour
l’évaluation de l’amplitude articulaire pour la majorité des articulations du corps (Chapitre 1) et
dans un deuxième temps d’évaluer la validité d’un système de capteurs inertiels et d’un système
de capteurs EMGs sans fils pour l’évaluation de la demande physique dans des mouvements
simples et des tâches complexes à l’épaule (Chapitre 2).
Une synthèse des résultats de ces deux études sera effectuée dans la première partie de la
discussion. Ensuite, un résumé des retombées cliniques potentielles, des considérations
techniques pour l’utilisation de ces capteurs en recherche et en clinique (ex. calibrations, modèles
biomécaniques, complexité de la tâche, limites des systèmes) et des limites inhérentes aux deux
études présentées seront discutés dans la deuxième partie.
4.1. Résumé des résultats du Chapitre 1
L’étude présentée dans le Chapitre 1 démontre que les systèmes de capteurs inertiels sont
valides pour mesurer l’amplitude articulaire pour la majorité des articulations du corps, mais que
plus d’études sont nécessaires afin de statuer sur la fidélité de ces systèmes. En effet, seulement
quinze études ont abordé cette qualité psychométrique toutes articulations confondues (entre 1 et
3 articles selon l’articulation étudiée). De plus, toutes ces études évaluaient des tâches simples
(ex. flexion de l’épaule ou de la hanche) ou de la locomotion, ce qui ne permet pas d’émettre une
conclusion définitive à ce sujet. Pour la validité, les articulations de l’épaule et du coude
présentent des résultats contradictoires. En effet, certaines études [126, 131, 137, 138] présentent
d’excellents résultats de validité, alors que d’autres mentionnent des difficultés au niveau de la
précision des systèmes lors des tâches complexes (déplacements à travers de plus d’un plan de
mouvements) et dans la composante rotationnelle (Y)[122, 125, 127-129, 132, 136]. Cette revue
systématique vient compléter deux précédentes revues sur la validité des capteurs inertiels [10,
85]. Cuesta-Vargas et coll. [10] ont démontré dans une revue systématique publiée en 2010 que
la validité des capteurs inertiels dépend de deux facteurs en particulier, soit l’articulation évaluée
et la tâche effectuée. Ces résultats sont cohérents avec ceux présentés dans ce mémoire, toutefois
ils rapportaient de meilleurs résultats pour les membres supérieurs que pour les membres
inférieurs ce qui est l’opposé des conclusions de ce mémoire. Ces différences peuvent être
expliquées par le nombre plus élevé d’études incluses dans notre revue systématique (42 vs.14),
par l’avancement technologique important au niveau du développement des capteurs inertiels
69
depuis les dernières années, mais également par le nombre restreint d’études présentant des tâches
complexes inclus dans la précédente revue (27 vs 6). Walmsley et coll. [85], dans leur revue
systématique de 2018, émettent les mêmes conclusions que la présente revue au niveau de la
validité des données recueillies par les capteurs inertiels aux membres supérieurs, mais ne se sont
toutefois pas positionnés sur le niveau de complexité de la tâche et sur la fidélité des capteurs
inertiels. Considérant que les articles présentant les moins bonnes valeurs de validité ont comme
point commun une complexité plus importante de la tâche effectuée (ex. natation, laver une table,
transporter des charges), la revue systématique de ce mémoire vient donner des informations
complémentaires à celles présentées dans l’étude de Walmsey et coll., en plus d’aborder
l’ensemble du corps. Les conclusions tirées des résultats du Chapitre 1 ont guidé le protocole
expérimental du Chapitre 2. En effet, l’étude porte sur l’épaule et combine des évaluations de
mouvements simples ainsi qu’une tâche complexe. Plusieurs tâches complexes auraient pu être
évaluées (ex. visser des écrous placer au-dessus de la tête), celle présentée dans ce mémoire a été
choisie afin d’objectiver à la fois l’effet de la charge et de l’élévation à l’épaule.
4.2. Résumé des résultats du Chapitre 2
L’étude présentée dans le Chapitre 2 démontre la validité d’un système de capteurs
inertiels pour mesurer les mouvements d’élévation de l’épaule et la validité discriminante de la
mesure d’activité musculaire des muscles deltoïdes antérieur et moyen pour déterminer le niveau
de demande physique d’une tâche de manutention. La validation des capteurs inertiels lors de
mouvements simples à l’épaule a démontré des résultats de facteur de corrélation élevée,
particulièrement lorsque les mouvements à l’épaule sont isolés de ceux du tronc. Les tâches plus
complexes (flexion de l’épaule combinée à des mouvements au tronc et tâche de manutention)
ont démontré des résultats légèrement plus variables, mais tout de même acceptables. Ces résultats
suggèrent que la précision des résultats obtenus dépend, comme conclut précédemment, de la
complexité de la tâche effectuée, mais également du déplacement du tronc par rapport au bras.
De plus, la précision est nettement supérieure si les mouvements au tronc sont effectués dans le
même plan de mouvements que ceux à l’épaule. Par exemple le RMSE est de 7,1° lorsque les
deux mouvements sont effectués dans le plan sagittal (flexion à l’épaule combinée à flexion
antérieure au tronc) comparativement à 11,6° lorsque le mouvement à l’épaule est effectué dans
le plan sagittal et le mouvement au tronc dans le plan frontal (flexion de l’épaule combinée à
flexion latérale du tronc). Cela suggère donc que la diminution de la précision du calcul
d’amplitude articulaire serait à la fois dépendante du déplacement du segment d’intérêt dans plus
d’un plan de mouvement comme lors de la tâche de manutention, mais également du déplacement
des segments adjacents dans les différents plans de mouvement comme dans les mouvements
combinés présentés dans cette étude.
70
Pour ce qui est de la mesure d’activité musculaire, le RMS, ainsi que le pic d’EMG des
muscles deltoïdes antérieur et moyen peuvent être considérés comme des outils intéressants afin
de discriminer le niveau de demande physique (sédentaire, légère, modérée et élevée) lors d’une
tâche de soulèvements de charges. Les résultats présentés dans le Chapitre 2 corroborent
l’hypothèse de départ quant au fait que le deltoïde antérieur, principal muscle agoniste à l’épaule
lors de la tâche, discriminerait mieux le niveau de demande à l’épaule que le deltoïde moyen. En
effet, le deltoïde moyen permet seulement de discriminer à quelle hauteur est soulevé le poids de
6,8 kg et quel poids est soulevé sur l’étagère la plus haute, alors que le deltoïde antérieur permet
de discriminer la grande majorité des conditions. Ce résultat peut être expliqué en raison de la
nature de la tâche effectuée soit, un mouvement principalement de flexion pour lequel le deltoïde
antérieur est le principal agoniste. De plus, le RMS devrait être choisi en premier lieu comme
variable discriminante considérant qu’il discrimine un plus grand nombre de conditions que le pic
d’EMG.
4.3. Considérations au niveau du protocole expérimental et
techniques – sources d’erreurs potentielles
4.3.1. Capteurs inertiels
4.3.1.1. Calibration :
Une calibration adéquate est une étape primordiale afin d’obtenir des résultats valides et
fidèles. En effet, la calibration permet d’aligner les capteurs par rapport aux segments du corps,
permettant ainsi une mesure plus précise de l’amplitude articulaire considérant que les calculs
effectués mettent en relation un capteur par rapport à un ou plusieurs autres capteurs placés sur le
corps [82]. Le même procédé est effectué avec le système de référence afin de permettre le calcul
des angles [179]. C’est à partir de cette position de références que toutes les autres positions sont
calculées dans le temps. Une mauvaise calibration entraîne donc une erreur systématique dans les
mesures effectuées avec les capteurs. Considérant l’importance de cette étape pour l’obtention de
résultats valides, de nombreuses études ont tenté d’identifier la meilleure calibration possible,
mais aucun consensus n’a été obtenu jusqu’à maintenant [82, 180]. Pour la réalisation d’analyse
de mouvements humains, deux calibrations sont principalement utilisées, soit une calibration
statique, comme c’est le cas dans l’étude du Chapitre 2, ou encore une calibration fonctionnelle,
qui consiste en une séquence de mouvements précis selon l’articulation étudiée [82]. Dans le cas
du Chapitre 2, une calibration en T pour le Xsens (recommandé dans le manuel d’utilisation pour
le membre supérieur)[169] et une position neutre pour le Vicon (recommandé par le fabricant)
71
ont été réalisées lors de l’acquisition des données. Cependant, la différence au niveau des
calibrations utilisées apportait un biais important lors du calcul de l’amplitude articulaire. Les
données des deux systèmes ont donc été réinitialisées en position neutre. En effet, Bouvier et coll.
ont rapporté des erreurs de mesure variant de quelques degrés à plus d’une dizaine entre deux
calibrations différentes [122]. Cette modification post-traitement a grandement amélioré la
précision des données et a permis de comparer les deux systèmes de façon plus optimale.
4.3.1.2. Modèle biomécanique
Le modèle biomécanique permet entre autres de calculer la position des segments, le
centre de masse et, dans le cas de ce mémoire, l’amplitude articulaire. Le modèle biomécanique
détermine le système d’axes qui sera utilisé pour effectuer les calculs et indique les repères
anatomiques pour identifier le centre de rotation. Comme dans le cas de la calibration, il est
nécessaire de sélectionner un modèle biomécanique pour chacun des systèmes utilisés, soit dans
ce cas-ci les capteurs inertiels et le système de référence. Les deux modèles utilisés dans le
Chapitre 2 diffèrent (Kingait et ISB), mais la séquence de rotation est la même rendant les angles
calculés comparables. Robert-Lachaine et coll. ont toutefois démontré que le modèle
biomécanique utilisé avec les capteurs inertiels a une influence importante sur l’angle calculé en
Z et en Y lorsqu’il diffère de celui utilisé pour le système de référence [131]. Toutefois, comme
l’étude du Chapitre 2 porte seulement sur l’élévation (X) (validité établie pour un axe seulement),
la différence de modèle biomécanique a un impact négligeable sur les données présentées dans ce
mémoire.
4.3.1.3. Complexité de la tâche :
Le niveau de complexité de la tâche est un facteur important à considérer au moment de
la mise en place d’un protocole. Comme l’étude du Chapitre 1 l’a démontré, une augmentation de
la complexité de la tâche est associée avec une augmentation de l’erreur de mesure et une
diminution du coefficient de corrélation. En effet, les études présentant des tâches se rapprochant
d’un contexte réel (ex. laver une table, nager) rapportent une erreur de mesures plus élevée [126,
128]. Le niveau de complexité d’une tâche dépend de plusieurs facteurs, dont principalement la
vitesse de mouvement (courir vs marcher [155, 156]), le nombre de déplacements entre les
différents plans de mouvements et la combinaison du mouvement de plus d’un segment du corps
à la fois (ex. flexion de l’épaule combinée à un mouvement au tronc comme dans l’étude du
Chapitre 2). Les résultats présentés dans le Chapitre 2 confirment les conclusions de la revue
systématique présentée dans le Chapitre 1, en plus d’ajouter des données pour la réalisation d’une
tâche complexe au niveau de l’épaule à la littérature scientifique déjà disponible.
72
4.3.1.4. Fidélité intra-évaluateur et inter-évaluateur
Les résultats du Chapitre 1 suggèrent que la fidélité intra et inter-évaluateurs sont à
considérer lors de prises de mesure d’amplitude articulaire à l’aide de capteurs inertiels. Afin de
diminuer les sources d’erreurs potentielles à ce niveau lors de l’étude présentée dans le Chapitre 2,
l’ensemble des placements de capteurs ont été effectués par le même évaluateur. De plus, le
système et les équipements (bandes velcro, bandeau pour la tête et veste en lycra) ont été utilisés
selon les recommandations de la compagnie. Des velcros sont intégrés aux vestes, ce qui diminue
de façon importante un positionnement sous-optimal au niveau du sternum, de la tête et des
épaules. Pour ce qui est du positionnement des capteurs, des bras et des avant-bras, des repères
anatomiques ont été pris en considération lors du positionnement des capteurs (acromion,
épicondyle latéral et médial). L’ensemble de ces mesures a fait en sorte de minimiser le plus
possible l’erreur de mesure apportée par l’évaluateur.
4.3.2. EMG
4.3.2.1. Choix du muscle à évaluer
Les résultats présentés dans le Chapitre 2 démontrent que l’activité EMG du chef
antérieur serait un meilleur indicateur de demande physique à l’épaule que le chef moyen pour
des tâches effectuées dans le plan sagittal. Le deltoïde antérieur serait donc le muscle à prioriser
lors de l’analyse de tâches nécessitant le transport de charges. Ces résultats sont en accord avec
ceux de Silvetti et coll. qui avaient démontré un effet de poids et de la hauteur à laquelle la charge
était soulevée pour le deltoïde antérieur. Cependant, contrairement aux résultats présentés dans le
Chapitre 2, ils n’ont pas trouvé d’effet d’interaction ce qui peut être expliqué par deux différences
méthodologiques spécifiques [98]. Premièrement, les étagères étaient placées à une distance
différente en fonction de leur hauteur (plus l’étagère était haute, plus le rebord était éloigné du
sujet), ce qui demandait au participant de se propulser davantage vers l’avant lors du travail en
élévation. Cette méthode, quoique plus représentative d’un contexte particulier d’emploi (commis
d’épicerie), rend difficile la distinction entre l’effet de la distance et la hauteur à laquelle la charge
est déposée. Deuxièmement, la différence entre les deux poids soulevés dans leur étude est plus
petite (6 et 8 kg) que ceux utilisés dans le Chapitre 2 (2.3 et 6.8 kg), ce qui peut avoir diminué
l’effet d’interaction poids x hauteur observé dans leur étude. Il y a également deux autres études
qui ont présenté des résultats similaires à ceux présentés dans le Chapitre 2 [96, 97]. Les deux
études présentent des résultats sur le même protocole et concluent que le RMS est augmenté pour
les deux deltoïdes, mais de façon plus importante pour le chef antérieur que moyen. Toutefois, ils
rapportent également un facteur de co-activation plus important pour le deltoïde moyen ce qui
suggère qu’il serait également important à considérer afin de bien discriminer le niveau de
demande à l’épaule.
73
L’impossibilité de mesurer l’activité musculaire des muscles de la coiffe des rotateurs
représente une limite de cette étude considérant qu’ils sont les muscles les plus souvent lésés au
travail et que leur mesure d’activité musculaire pourrait être plus représentative du risque réel de
blessures. Toutefois, comme expliqué précédemment, le deltoïde demeure un muscle approprié
pour évaluer les demandes physiques à l’épaule en raison de sa superficialité et de sa grande
fatigabilité lors des tâches en élévation [91]. Considérant le caractère non invasif de la mesure par
EMG sans-fils et la possibilité de discriminer le niveau de demande de la tâche grâce aux mesures
du deltoïde antérieur, il est possible d’imaginer l’implantation d’un protocole d’évaluation
similaire à celui présenté dans le Chapitre 2 en milieu de travail pour identifier quantitativement
les demandes physiques à l’épaule lors de tâches de manutention.
4.3.2.2. Variable à privilégier
Deux variables complémentaires ont été utilisées afin de quantifier la demande à l’épaule,
soit le RMS et le pic d’EMG. La première représente l’activité musculaire moyenne durant
l’ensemble de l’essai, plus particulièrement pendant la phase de soulèvement de charge, et la
deuxième l’activité maximale durant la même période d’enregistrement. Les résultats rapportés
dans ce mémoire suggèrent que le RMS serait la variable qui discriminerait le mieux le niveau de
demande à l’épaule. En effet, le RMS permet de discriminer un plus grand nombre de conditions,
que ce soit par rapport à la hauteur du soulèvement de charge, que par le niveau d’activité
(sédentaire, léger, modérer, modérer à élever), ou encore par le poids soulevé. Pour ces raisons,
si une seule variable doit être considérée, il est évident que le RMS doit être privilégié. Toutefois,
le pic d’EMG, comme il représente la valeur maximale obtenue pendant tout l’essai, est
intéressant à considérer comme il identifie la valeur extrême à laquelle le muscle s’est contracté.
Plus d’études sont nécessaires à ce niveau afin d’identifier la valeur maximale à laquelle il est
sécuritaire de soulever une charge. L’identification d’une valeur limite pourrait ainsi permettre la
mise en place de lignes directrices pour assurer la sécurité des travailleurs, et ainsi diminuer la
prévalence des blessures liées au travail.
4.3.2.3. Effet de la phase
La tâche de manutention effectuée peut se diviser en deux phases distinctes, le
soulèvement (contractions concentriques) et le dépôt de la charge (contractions excentriques). Les
résultats présentés dans le Chapitre 2 concernent seulement la phase de soulèvement. En effet, il
a été démontré par Blache et coll. [96] que la phase de soulèvement génère une plus grande activité
musculaire au niveau du deltoïde que la phase de dépôt, ce qui suggère qu’il y est aussi plus facile
d’y voir des variations. Toutefois, il aurait été intéressant d’évaluer également la phase de dépôt
74
comme le muscle deltoïde y effectue un travail excentrique, et que ce type de contraction est très
souvent associée au développement de douleur [181]. En conclusion, l’utilisation de l’activité
musculaire de la phase de soulèvement comme variable discrimine bien le niveau de demande de
la tâche, il serait toutefois intéressant d’analyser si des informations complémentaires pourraient
être obtenues en analysant la phase de dépôt de charge.
4.4. Retombées cliniques potentielles
4.4.1. Utilisations potentielles
Les utilisations cliniques potentielles de ces systèmes sont nombreuses considérant leur
portabilité et la possibilité de les utiliser dans le milieu de vie du patient, ce qui permettrait de
collecter des données se rapprochant du contexte réel et de la vie de tous les jours. En effet,
différentes variables peuvent être extraites de ces capteurs, que ce soit l’amplitude articulaire
mesurée à l’épaule, le pic d’activité musculaire enregistré pendant une tâche, le temps passé en
élévation à l’épaule ou encore le nombre de répétitions. Des études portant sur des populations
pathologiques ont également été effectuées, notamment avec des personnes présentant des
troubles neurologiques (ex. accident cérébral vasculaire, parkinson) et des patients présentant des
problèmes orthopédiques (ex. ostéoarthrite, problème à la course)[163]. Le principal problème
rencontré avec les populations présentant des limitations physiques se situe au niveau de la prise
et le maintien de la position de calibration. En effet, tous les types de calibration nécessitent soit
une certaine amplitude articulaire ou une certaine mobilité afin de calibrer les appareils (ex.
maintenir les bras à 90° d’abduction ou marcher) ce qui peut être difficile, voire impossible, pour
une population présentant de la spasticité, des douleurs ou de la fatigabilité.
4.4.2. Limitations techniques
La combinaison de deux systèmes, permettant à la fois de mesurer la cinématique et
l’activité musculaire de l’épaule, donne des informations complémentaires de la demande de
l’emploi, ce qui serait fort utile en clinique. Toutefois, comme mentionnées par Walmsey et coll.,
des améliorations de logiciels et d’analyse sont nécessaires afin de rendre les systèmes actuels
plus faciles d’utilisation [85]. En effet, malgré le désir de simplifier l’utilisation des systèmes, les
logiciels et capteurs actuellement disponibles sur le marché nécessitent certaines connaissances
techniques afin d’en assurer le bon fonctionnement. Ensuite, le traitement nécessaire afin
d’obtenir le résultat clinique pertinent demande encore un temps considérable et des
connaissances biomécaniques/techniques poussées (ex. découpage des essais d’EMG/calculs par
rapport au MVC et calcul de l’angle à partir de la donnée d’orientation du capteur). Une
75
standardisation des procédures (ex. placement des capteurs, calibration) et le développement
d’une interface facile d’utilisation permettant l’obtention en temps réel des données collectées par
les appareils sont donc des avenues intéressantes afin d’augmenter l’accessibilité de ce type de
technologies en contexte réel. De plus, les procédures d’utilisation actuellement en place
demandent un temps considérable, il n’est donc pas réaliste en ce moment de penser pouvoir les
utiliser en contexte clinique de façon extensive. En effet, le rythme effréné du système de santé
actuel exige la mise en place de systèmes qui ne demanderont pas un effort supplémentaire aux
cliniciens en place. Des études supplémentaires sont donc nécessaires afin de simplifier et
diminuer le temps nécessaire pour l’utilisation des capteurs inertiels et des systèmes d’EMG sans-
fils.
Finalement, le risque de biais dans l’étude présentée dans le Chapitre 2 est faible
considérant que l’ensemble des lignes directrices de l'EMGs a été respecté lors de la collecte de
données (ex. placement des électrodes et préparation de la peau)[94]. De plus, pour chaque sujet,
la collecte de données s’est effectuée sur une journée seulement, ce qui élimine un facteur
potentiel de variabilité puisque les électrodes n’ont pas été déplacées entre les enregistrements.
Finalement, comme chaque sujet a été mis en relation avec lui-même cela diminue la variabilité
inter-sujet et permet de comparer les sujets les uns aux autres.
4.4.3. Comparaison avec les outils cliniques actuels
En clinique, la mesure d’amplitude articulaire est mesurée à l’aide d’un goniomètre ou
d’un inclinomètre. Ces outils de mesures présentent une erreur de mesure assez grande (limite de
concordance de 95 % allant de 2 à 20°) [174] pour des mouvements simples et ne peuvent
effectuer de mesures en continu. L’erreur de mesure moyenne des capteurs inertiels présentés
dans le Chapitre 2 (≤12.68°) se situe à l’intérieur de l’étendue d’erreurs donnée par l’inclinomètre
ou le goniomètre en plus d’offrir la possibilité d’enregistrer l’élévation lors de tâches de la vie de
tous les jours, en continu et à l’extérieur du laboratoire. De plus, considérant que l’inclinomètre
et le goniomètre permettent seulement de mesurer des mouvements simples, l’erreur de mesure
des IMU à ce niveau (≤6.72°) est largement en de ça de celle mesurée par ces outils communément
utilisés en clinique.
Conclusion
Dans un premier temps, les résultats du Chapitre 1 permettent de conclure sur la validité
de l’utilisation des capteurs inertiels pour la quantification de l’amplitude articulaire aux
76
différentes articulations du corps, mais plus d’études sur leur fidélité doivent être effectuées avant
d’émettre des conclusions pour cette qualité psychométrique. Il a également été démontré que
plus d’études au niveau du coude et de l’épaule, ainsi que dans des tâches plus représentatives de
la vie de tous jours, sont encore nécessaires avant de les utiliser de façon régulière dans un
contexte clinique.
Dans un deuxième temps, les résultats du Chapitre 2 ajoutent des informations à ce
manque de littérature et permettent de conclure sur la validité, ainsi que l’utilité de combiner un
système de capteurs inertiels et un système d’EMG sans-fils pour quantifier la demande à l’épaule
d’une tâche de manutention. En effet, ces deux systèmes permettent de mesurer en continu des
données d’élévation au membre supérieur et de discriminer le niveau de demande de l’emploi
basé sur la mesure d’activité musculaire du muscle deltoïde. Des développements technologiques
et logiciels sont toutefois encore nécessaires avant que cette technologie soit accessible en
clinique en raison de la complexité d’utilisation et de traitements des données. Plus d’études
combinant ces deux technologies sont également nécessaires en contexte réel d’emploi afin de
statuer de la validité des données recueillies en environnement non contrôlé, mais les résultats
présentés dans ce mémoire sont prometteurs pour le domaine de la réadaptation
socioprofessionnelle.
77
Bibliographie
1. Cuthbert, S.C. and G.J. Goodheart, On the reliability and validity of manual muscle testing: a literature review. Chiropractic & Osteopathy, 2007. 15(1): p. 4.
2. Norkin, C. and D. White, Measurement of Joint Motion: A Guide to Goniometry: FA Davis Company. 2009.
3. Gajdosik, R.L. and R.W. Bohannon, Clinical measurement of range of motion. Review of goniometry emphasizing reliability and validity. Physical Therapy, 1987. 67(12): p. 1867-72.
4. Valevicius, A.M., et al., Use of optical motion capture for the analysis of normative upper body kinematics during functional upper limb tasks: A systematic review. Journal of Electromyography and Kinesiology, 2018. 40: p. 1-15.
5. Ceseracciu, E., Z. Sawacha, and C. Cobelli, Comparison of Markerless and Marker-Based Motion Capture Technologies through Simultaneous Data Collection during Gait: Proof of Concept. PLoS One, 2014. 9(3): p. e87640.
6. Wong, W.Y., M.S. Wong, and K.H. Lo, Clinical applications of sensors for human posture and movement analysis: a review. Prosthet Orthot Int, 2007. 31(1): p. 62-75.
7. Godfrey, A., et al., Direct measurement of human movement by accelerometry. Medical Engineering and Physics, 2008. 30(10): p. 1364-1386.
8. Cavalcanti Garcia, M.A. and T.M.M. Vieira, Surface electromyography: Why, when and how to use it. Revista Andaluza de Medicina del Deporte, 2011. 4(1): p. 17-28.
9. Perry, J., C.S. Easterday, and D.J. Antonelli, Surface versus intramuscular electrodes for electromyography of superficial and deep muscles. Physical Therapy, 1981. 61(1): p. 7-15.
10. Cuesta-Vargas, A.I., A. Galán-Mercant, and J.M. Williams, The use of inertial sensors system for human motion analysis. Physical Therapy Reviews, 2010. 15(6): p. 462-473.
11. Mustard, C.A., et al., Time trends in musculoskeletal disorders attributed to work exposures in Ontario using three independent data sources, 2004–2011. Occupational and Environmental Medicine, 2015. 72(4): p. 252.
12. Centre de la statistique et de l’information de gestion, D.d.l.c.e.d.l.g.d.l.i., Statistiques sur les lésions attribuables aux TMS en milieu de travail. 2016, CNESST.
13. Huisstede, B.M.A., et al., Incidence and prevalence of upper-extremity musculoskeletal disorders. A systematic appraisal of the literature. BMC Musculoskeletal Disorders, 2006. 7: p. 7-7.
14. Statistiques sur les lésions attribuables aux TMS en milieu de travail 2012-2015. 2016, Commission des normes, de l’équité, de la santé et de la sécurité Québec. p. 7.
15. Lebeau, M., P. Duguay, and A. Boucher, Les coûts des lésions professionnelles au Québec, 2005-2007(version révisée). 2014, Institut de recherche Robert-Sauvé en santé et en sécurité du travail: Montréal.
16. Zakaria, D., et al., Work-related cumulative trauma disorders of the upper extremity: navigating the epidemiologic literature. American journal of industrial medicine, 2002. 42(3): p. 258-69.
17. (HSE), H.a.s.e., Upper limb disorders in the workplace. Health and safety executive (HSE) ed. 2002, Surrey, UK. 89.
18. Kennedy, C.A., et al., Systematic Review of the Role of Occupational Health and Safety Interventions in the Prevention of Upper Extremity Musculoskeletal Symptoms, Signs, Disorders, Injuries, Claims and Lost Time. Journal of Occupational Rehabilitation, 2010. 20(2): p. 127-162.
19. Organization, W.H. Occupational and work-related diseases. 2018 [cited 2018 04/09/2018]. 20. Roquelaure, Y., et al., Risk factors for upper-extremity musculoskeletal disorders in the working
population. Arthritis & Rheumatology, 2009. 61(10): p. 1425-1434. 21. Schulte, P.A., et al., Interaction of Occupational and Personal Risk Factors in Workforce Health
and Safety. American Journal of Public Health, 2012. 102(3): p. 434-448. 22. Analyses, D., Les risques psychosociaux au travaiL Un panorama d’après l’enquête Santé et
itinéraire professionnel 2010, in Dares Analyses. 2014, Direction de l'animation de la recherche, des études et des statistiques.
23. Bongers, P.M., et al., Epidemiology of work related neck and upper limb problems: Psychosocial and personal risk factors (Part I) and effective interventions from a bio behavioural perspective (Part II). Journal of Occupational Rehabilitation, 2006. 16(3): p. 272-295.
78
24. De Lange, A.H., et al., “The Very Best of the Millennium”: Longitudinal Research and the Demand-Control-(Support) Model. Journal of Occupational Health Psychology, 2003. 8(4): p. 282-305.
25. Hauke, A., et al., The impact of work-related psychosocial stressors on the onset of musculoskeletal disorders in specific body regions: A review and meta-analysis of 54 longitudinal studies. Work & Stress, 2011. 25(3): p. 243-256.
26. Linaker, C.H. and K. Walker-Bone, Shoulder disorders and occupation. Best practice & research. Clinical rheumatology, 2015. 29(3): p. 405-423.
27. Kraatz, S., et al., The incremental effect of psychosocial workplace factors on the development of neck and shoulder disorders: a systematic review of longitudinal studies. International Archives of Occupational and Environmental Health, 2013. 86(4): p. 375-395.
28. Visser, B. and J.H. van Dieën, Pathophysiology of upper extremity muscle disorders. Journal of Electromyography and Kinesiology, 2006. 16(1): p. 1-16.
29. Lundberg, U., et al., Psychophysiological stress responses, muscle tension, and neck and shoulder pain among supermarket cashiers. Journal of Occupational Health Psychology, 1999. 4(3): p. 245-255.
30. Van Galen, G.P., et al., Forearm EMG response activity during motor performance in individuals prone to increased stress reactivity. American journal of industrial medicine, 2002. 41(5): p. 406-419.
31. Luime, J.J., et al., Work-related risk factors for the incidence and recurrence of shoulder and neck complaints among nursing-home and elderly-care workers. Scandinavian Journal of Work, Environment & Health, 2004. 30(4): p. 279-86.
32. Walker-Bone, K. and C. Cooper, Hard work never hurt anyone: or did it? A review of occupational associations with soft tissue musculoskeletal disorders of the neck and upper limb. Annals of the Rheumatic Diseases, 2005. 64(10): p. 1391.
33. Joksimovic, L., et al., Perceived work stress, overcommitment, and self-reported musculoskeletal pain: a cross-sectional investigation. International journal of behavioral medicine, 2002. 9(2): p. 122-38.
34. Devreux, I., et al., Relation of Work-related Musculoskeletal Disorders and Over-commitment of Rehabilitation Staff in Saudi Arabia. Life Science Journal-Acta Zhengzhou University Overseas Edition, 2012. 9(3): p. 781-785.
35. Lee, S.-J., et al., Psychosocial work factors in new or recurrent injuries among hospital workers: a prospective study. International Archives of Occupational and Environmental Health, 2015. 88(8): p. 1141-1148.
36. Chopp, J.N., S.L. Fischer, and C.R. Dickerson, The impact of work configuration, target angle and hand force direction on upper extremity muscle activity during sub-maximal overhead work. Ergonomics, 2010. 53(1): p. 83-91.
37. van Vilsteren, M., et al., Workplace interventions to prevent work disability in workers on sick leave. The Cochrane database of systematic reviews, 2015(10): p. Cd006955.
38. Punnett, L. and D.H. Wegman, Work-related musculoskeletal disorders: the epidemiologic evidence and the debate. Journal of Electromyography and Kinesiology, 2004. 14(1): p. 13-23.
39. Haering, D., M. Raison, and M. Begon, Measurement and description of three-dimensional shoulder range of motion with degrees of freedom interactions. Journal of Biomechanical Engineering, 2014. 136(8).
40. Cutlip, R.G., et al., Injury and adaptive mechanisms in skeletal muscle. Journal of Electromyography and Kinesiology, 2009. 19(3): p. 358-372.
41. M Marshall, M. and T. Armstrong, Observational Assessment of Forceful Exertion and the Perceived Force Demands of Daily Activities. Vol. 14. 2004. 281-94.
42. van Rijn, R.M., et al., Associations between work-related factors and specific disorders of the shoulder--a systematic review of the literature. Scandinavian Journal of Work, Environment & Health, 2010. 36(3): p. 189-201.
43. Frost, P., et al., Risk of shoulder tendinitis in relation to shoulder loads in monotonous repetitive work. American journal of industrial medicine, 2002. 41(1): p. 11-18.
79
44. Sluiter, J.K., K.M. Rest, and M.H.W. Frings-Dresen, European Criteria Document for Evaluation of the Work-Relatedness of Upper Extremity Musculoskeletal Disorders. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 2000. 44(30): p. 5-445-5-448.
45. Silverstein, B.A., L.J. Fine, and T.J. Armstrong, Hand wrist cumulative trauma disorders in industry. British Journal of Industrial Medicine, 1986. 43(11): p. 779-84.
46. Barr, A.E. and M.F. Barbe, Pathophysiological Tissue Changes Associated With Repetitive Movement: A Review of the Evidence. Physical Therapy, 2002. 82(2): p. 173-187.
47. Grieve, J.R. and C.R. Dickerson, Overhead work: identification of evidence-based exposure guidelines. Occupational Ergonomics, 2008. 8(1): p. 53-66.
48. Kinali, G., S. Kara, and M.S. Yıldırım, Electromyographic analysis of an ergonomic risk factor: overhead work. Journal Of Physical Therapy Science, 2016. 28(6): p. 1924-1927.
49. Punnett, L., et al., Shoulder disorders and postural stress in automobile assembly work. Scandinavian Journal of Work, Environment & Health, 2000. 26(4): p. 283-91.
50. Rajaee, M.A., et al., Comparative evaluation of six quantitative lifting tools to estimate spine loads during static activities. Applied Ergonomics, 2015. 48: p. 22-32.
51. Palmerud, G., et al., Intramuscular pressure of the infra- and supraspinatus muscles in relation to hand load and arm posture. European Journal of Applied Physiology, 2000. 83(2-3): p. 223-30.
52. Hanvold, T.N., et al., Work with prolonged arm elevation as a risk factor for shoulder pain: A longitudinal study among young adults. Applied Ergonomics, 2015. 47: p. 43-51.
53. Bernard, B.a.a., Musculoskeletal Disorders and Workplace Factors - A Critical Review of Epidemiologic Evidence for Work-Related Musculoskeletal Disorders of the Neck, Upper Extremity, and Low Back, U.S.D.O.H.A.H. SERVICES, Editor. 1997, National Institute for Occupational Safety and Health: Cincinnati, OH
54. Lamarche, D., et al., Statistiques sur les lésions attribuables aux TMS en milieu de travail 2012-2015, C.d.l.s.e.d.l.i.d. gestion, Editor. 2016, Commission des normes, de l’équité, de la santé et de la sécurité du travail du Québec Québec.
55. Ogata, K. and L.A. Whiteside, Effects of External Compression on Blood Flow to Muscle and Skin. Clinical Orthopaedics and Related Research, 1982. &NA;(168): p. 105???107.
56. Sjøgaard, G., G. Savard, and C. Juel, Muscle blood flow during isometric activity and its relation to muscle fatigue. European journal of applied physiology and occupational physiology, 1988. 57(3): p. 327-335.
57. Ebaugh, D.D., P.W. McClure, and A.R. Karduna, Effects of shoulder muscle fatigue caused by repetitive overhead activities on scapulothoracic and glenohumeral kinematics. Journal of Electromyography and Kinesiology, 2006. 16(3): p. 224-235.
58. Yoo, W.-g., Changes in Acromion and Scapular Position after Short-term Overhead Work. Journal Of Physical Therapy Science, 2013. 25(6): p. 679-680.
59. Buckle, P.W. and J. Jason Devereux, The nature of work-related neck and upper limb musculoskeletal disorders. Applied Ergonomics, 2002. 33(3): p. 207-217.
60. Bovenzi, M., C.J. Lindsell, and M.J. Griffin, Duration of acute exposures to vibration and finger circulation. Scandinavian Journal of Work, Environment & Health, 1998. 24(2): p. 130-7.
61. Boocock, M.G., et al., Interventions for the prevention and management of neck/upper extremity musculoskeletal conditions: a systematic review. Occupational and Environmental Medicine, 2007. 64(5): p. 291.
62. Roy, S.D., Marie-Josée; Corriveau, Hélène, L’évaluation des capacités reliées au travail pour une clientèle présentant une déficience physique - Guide de pratique à l’intention des ergothérapeutes. 2011, Institut de recherche Robert-Sauvé en santé et en sécurité du travail: Montréal, Québec.
63. Saint-Vincent, M., N. Vézina, and M. Bellemare, L'intervention en ergonomie. 2011: Multimondes. 64. Durand, M.-J. and Q.N. Hong, Tools for Assessing Work Disability, in Handbook of Work
Disability: Prevention and Management, P. Loisel and J.R. Anema, Editors. 2013, Springer New York: New York, NY. p. 229-251.
65. Balogh, I., et al., Self-assessed and directly measured occupational physical activities—influence of musculoskeletal complaints, age and gender. Applied Ergonomics, 2004. 35(1): p. 49-56.
80
66. Phellas N., C.B., Alice; Seale, Clive Structured methods: interviews, questionnaires and observations, in Researching society and culture. 2012, SAGE Publications: Los Angeles. p. 181-205.
67. Bowling, A., Mode of questionnaire administration can have serious effects on data quality. Journal of Public Health, 2005. 27(3): p. 281-291.
68. Denis, D., M. Lortie, and M. Rossignol, Observation Procedures Characterizing Occupational Physical Activities: Critical Review. International Journal of Occupational Safety and Ergonomics, 2000. 6(4): p. 463-491.
69. Soares, M.M., et al., Cost-efficient observation of working postures from video recordings - more videos, more observers or more views per observer? Work, 2012. 41: p. 2302-2306.
70. Eliasson, K., et al., Inter- and intra- observer reliability of risk assessment of repetitive work without an explicit method. Applied Ergonomics, 2017. 62: p. 1-8.
71. Eichelberger, P., et al., Analysis of accuracy in optical motion capture - A protocol for laboratory setup evaluation. Journal of biomechanics, 2016. 49(10): p. 2085-2088.
72. Richards, J.G., The measurement of human motion: A comparison of commercially available systems. Human Movement Science, 1999. 18(5): p. 589-602.
73. Zhou, H. and H. Hu, Human motion tracking for rehabilitation—A survey. Biomedical Signal Processing and Control, 2008. 3(1): p. 1-18.
74. Muyor, J.M., et al., Test-retest reliability and validity of a motion capture (MOCAP) system for measuring thoracic and lumbar spinal curvatures and sacral inclination in the sagittal plane. Journal of back and musculoskeletal rehabilitation, 2017.
75. Grimaldi, G. and M. Manto, Neurological tremor: sensors, signal processing and emerging applications. Sensors, 2010. 10(2): p. 1399-422.
76. Pasciuto, I., et al., How Angular Velocity Features and Different Gyroscope Noise Types Interact and Determine Orientation Estimation Accuracy. Sensors, 2015. 15(9): p. 23983.
77. Kok, M. and T.B. Schon, Magnetometer Calibration Using Inertial Sensors. IEEE Sensors Journal, 2016. 16(14): p. 5679-5689.
78. Elmenreich, W., An Introduction to Sensor Fusion. 2002. 79. Dadashi, F., et al., Front-Crawl Instantaneous Velocity Estimation Using a Wearable Inertial
Measurement Unit. Sensors, 2012. 12(10): p. 12927-12939. 80. Myklebust, H., O. Gloersen, and J. Hallen, Validity of Ski Skating Center-of-Mass Displacement
Measured by a Single Inertial Measurement Unit. Journal of Applied Biomechanics, 2015. 31(6): p. 492-8.
81. Kok, M., J. D. Hol, and T. Schön, Using Inertial Sensors for Position and Orientation Estimation. Vol. 11. 2017.
82. Picerno, P., 25 years of lower limb joint kinematics by using inertial and magnetic sensors: A review of methodological approaches. Vol. 51. 2016.
83. Wu, G., et al., ISB recommendation on definitions of joint coordinate system of various joints for the reporting of human joint motion—part I: ankle, hip, and spine. Journal of Biomechanics, 2002. 35(4): p. 543-548.
84. Wu, G., et al., ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion—Part II: shoulder, elbow, wrist and hand. Journal of Biomechanics, 2005. 38(5): p. 981-992.
85. Walmsley, C.P., et al., Measurement of Upper Limb Range of Motion Using Wearable Sensors: A Systematic Review. Sports Medicine - Open, 2018. 4(1): p. 53.
86. Chapman, A.E., The Measurement of Muscular Strength. Br J Sports Med, 1970. 5(1): p. 42-49. 87. Konrad, P., The abc of emg. Vol. 1. 2005. 88. Chowdhury, R.H., et al., Surface Electromyography Signal Processing and Classification
Techniques. Sensors, 2013. 13(9): p. 12431-12466. 89. Johnson, V.L., M. Halaki, and K.A. Ginn, The use of surface electrodes to record infraspinatus
activity is not valid at low infraspinatus activation levels. Journal of Electromyography and Kinesiology, 2011. 21(1): p. 112-118.
90. Rockwood, C.A., et al., Rockwood and Matsen's The Shoulder E-Book. 2016: Elsevier Health Sciences.
81
91. Nieminen, H., et al., Muscular synergy in the shoulder during a fatiguing static contraction. Clinical Biomechanics, 1995. 10(6): p. 309-317.
92. Chopp-Hurley, J.N. and C.R. Dickerson, The potential role of upper extremity muscle fatigue in the generation of extrinsic subacromial impingement syndrome: a kinematic perspective. Physical Therapy Reviews, 2015. 20(3): p. 201-209.
93. De Luca, C.J., The Use of Surface Electromyography in Biomechanics. Journal of Applied Biomechanics, 1997. 13(2): p. 135-163.
94. Hermens, H.J., et al., SENIAM : European recommendations for surface electromyography : results of the SENIAM project. 1999, [Pays-Bas]: Roessingh Research and Development.
95. Roy, S.H., S.L. Wolf, and D.A. Scalzitti, The Rehabilitation Specialist's Handbook. 2012: F.A. Davis Company.
96. Blache, Y., et al., Superficial shoulder muscle co-activations during lifting tasks: Influence of lifting height, weight and phase. Journal of Electromyography and Kinesiology, 2015. 25(2): p. 355-362.
97. Blache, Y., et al., Effects of height and load weight on shoulder muscle work during overhead lifting task. Ergonomics, 2014: p. 1-14.
98. Silvetti, A., et al., Kinematic and electromyographic assessment of manual handling on a supermarket green grocery shelf. Work, 2015. 51(2): p. 261-271.
99. Schepers, H.M., D. Roetenberg, and P.H. Veltink, Ambulatory human motion tracking by fusion of inertial and magnetic sensing with adaptive actuation. Medical & Biological Engineering & Computing, 2010. 48(1): p. 27-37.
100. Zhou, H. and H. Hu, Reducing drifts in the inertial measurements of wrist and elbow positions. IEEE Transactions on Instrumentation and Measurement, 2010. 59(3): p. 575-585.
101. Zhou, H. and H. Hu, Inertial sensors for motion detection of human upper limbs. Vol. 27. 2007. 102. Zhou, H., et al., Use of multiple wearable inertial sensors in upper limb motion tracking. Medical
Engineering & Physics, 2008. 30(1): p. 123-33. 103. Valevicius, A.M., et al., Use of optical motion capture for the analysis of normative upper body
kinematics during functional upper limb tasks: A systematic review. Journal of electromyography and kinesiology, 2018. 40: p. 1-15.
104. Dejnabadi, H., et al., Estimation and visualization of sagittal kinematics of lower limbs orientation using body-fixed sensors. IEEE Transactions on Biomedical Engineering, 2006. 53(7): p. 1385-1393.
105. Dejnabadi, H., B.M. Jolles, and K. Aminian, A new approach to accurate measurement of uniaxial joint angles based on a combination of accelerometers and gyroscopes. IEEE Transactions on Biomedical Engineering, 2005. 52(8): p. 1478-1484.
106. Abyarjoo, F., et al. Implementing a Sensor Fusion Algorithm for 3D Orientation Detection with Inertial/Magnetic Sensors. in Innovations and Advances in Computing, Informatics, Systems Sciences, Networking and Engineering. 2015. Cham: Springer International Publishing.
107. Sabatini, A., Estimating Three-Dimensional Orientation of Human Body Parts by Inertial/Magnetic Sensing. Sensors, 2011. 11(2): p. 1489-1525.
108. Fong, D. and Y. Chan, The Use of Wearable Inertial Motion Sensors in Human Lower Limb Biomechanics Studies: A Systematic Review. Sensors, 2010. 10(12): p. 11556-11565.
109. Moher, D., et al., Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. British Medical Journal, 2009. 339: p. b2535.
110. Tong, K. and M.H. Granat, A practical gait analysis system using gyroscopes. Medical Engineering and Physics, 1999. 21(2): p. 87-94.
111. Morris, J.R.W., Accelerometry—A technique for the measurement of human body movements. Journal of Biomechanics, 1973. 6(6): p. 729-736.
112. Djurić-Jovičić, M.D., N.S. Jovičić, and D.B. Popović, Kinematics of Gait: New Method for Angle Estimation Based on Accelerometers. Sensors, 2011. 11(11): p. 10571-10585.
113. Foxlin, E. Inertial head-tracker sensor fusion by a complementary separate-bias Kalman filter. in Proceedings of the IEEE 1996 Virtual Reality Annual International Symposium. 1996.
114. Roetenberg, D., C.T.M. Baten, and P.H. Veltink, Estimating body segment orientation by applying inertial and magnetic sensing near ferromagnetic materials. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007. 15(3): p. 469-471.
82
115. Terwee, C.B., et al., Quality criteria were proposed for measurement properties of health status questionnaires. Journal of clinical epidemiology, 2007. 60(1): p. 34-42.
116. JC, M., Critical appraisal of study design for psychometric articles evaluation form and interpretation guide, 3rd edition, in Evidence Based Rehabilitation: A Guide to Practice. , Slack, Editor. 2008: Thorofare, New Jersey. p. 387-392.
117. Balshem, H., et al., GRADE guidelines: 3. Rating the quality of evidence. Journal of Clinical Epidemiology, 2011. 64(4): p. 401-6.
118. Gwet, K.L., Handbook of Inter-Rater Reliability: The Definitive Guide to Measuring the Extent of Agreement Among Raters. 2014, Gaithersburg, Maryland: Advanced Analytics, LLC.
119. Koo, T.K. and M.Y. Li, A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. Journal of chiropractic medicine, 2016. 15(2): p. 155-63.
120. van Tulder, M., et al., Updated method guidelines for systematic reviews in the cochrane collaboration back review group. Spine (Phila Pa 1976), 2003. 28(12): p. 1290-9.
121. de Oliveira, F.C.L., et al., Electromyographic analysis of rotator cuff muscles in patients with rotator cuff tendinopathy: A systematic review. Journal of electromyography and kinesiology, 2017. 35: p. 100-114.
122. Bouvier, B., et al., Upper Limb Kinematics Using Inertial and Magnetic Sensors: Comparison of Sensor-to-Segment Calibrations. Sensors, 2015. 15(8): p. 18813-33.
123. Akins, J.S., et al., Reliability and validity of instrumented soccer equipment. Journal of Applied Biomechanics, 2015. 31(3): p. 195-201.
124. Blair, S., et al., Concurrent validation of an inertial measurement system to quantify kicking biomechanics in four football codes. Journal of Biomechanics, 2018.
125. Ertzgaard, P., et al., A new way of assessing arm function in activity using kinematic Exposure Variation Analysis and portable inertial sensors--A validity study. Manual Therapy, 2016. 21: p. 241-249.
126. Fantozzi, S., et al., Assessment of three-dimensional joint kinematics of the upper limb during simulated swimming using wearable inertial-magnetic measurement units. Journal of Sports Sciences, 2016. 34(11): p. 1073-80.
127. Gil-Agudo, A., et al., A novel motion tracking system for evaluation of functional rehabilitation of the upper limbs. Neural Regeneration Research, 2013. 8(19): p. 1773-82.
128. Godwin, A., M. Agnew, and J. Stevenson, Accuracy of inertial motion sensors in static, quasistatic, and complex dynamic motion. Journal of Biomechanical Engineering, 2009. 131(11): p. 114501.
129. Pérez, R., et al., Upper Limb Portable Motion Analysis System Based on Inertial Technology for Neurorehabilitation Purposes. Sensors, 2010. 10(12): p. 10733-10751.
130. Plamondon, A., et al., Evaluation of a hybrid system for three-dimensional measurement of trunk posture in motion. Applied Ergonomics, 2007. 38(6): p. 697-712.
131. Robert-Lachaine, X., et al., Validation of inertial measurement units with an optoelectronic system for whole-body motion analysis. Medical & Biological Engineering & Computing, 2016.
132. Schall, M.C., et al., Accuracy and repeatability of an inertial measurement unit system for field-based occupational studies. Ergonomics, 2016. 59(4): p. 591-602.
133. Jasiewicz, J.M., et al., Wireless orientation sensors: their suitability to measure head movement for neck pain assessment. Manual Therapy, 2007. 12(4): p. 380-5.
134. Lebel, K., et al., Inertial measurement systems for segments and joints kinematics assessment: Towards an understanding of the variations in sensors accuracy. BioMedical Engineering OnLine, 2017. 16(1).
135. Bugane, F., et al., Estimation of pelvis kinematics in level walking based on a single inertial sensor positioned close to the sacrum: validation on healthy subjects with stereophotogrammetric system. BioMedical Engineering OnLine, 2014. 13: p. 146.
136. Kumar, Y., et al., Wireless wearable range-of-motion sensor system for upper and lower extremity joints: a validation study. Healthcare Technology Letters, 2015. 2(1): p. 12-7.
137. Barraza Madrigal, J.A., et al., Evaluation of suitability of a micro-processing unit of motion analysis for upper limb tracking. Medical Engineering and Physics, 2016. 38(8): p. 793-800.
83
138. Cutti, A.G., et al., Ambulatory measurement of shoulder and elbow kinematics through inertial and magnetic sensors. Medical and Biological Engineering and Computing, 2008. 46(2): p. 169-178.
139. Bauer, C.M., et al., Concurrent validity and reliability of a novel wireless inertial measurement system to assess trunk movement. Journal of electromyography and kinesiology, 2015. 25(5): p. 782-90.
140. Bergamini, E., et al., Trunk Inclination Estimate During the Sprint Start Using an Inertial Measurement Unit: A Validation Study. Journal of Applied Biomechanics, 2013. 29(5): p. 622-627.
141. Dowling, A.V., J. Favre, and T.P. Andriacchi, A wearable system to assess risk for anterior cruciate ligament injury during jump landing: Measurements of temporal events, jump height, and sagittal plane kinematics. Journal of Biomechanical Engineering, 2011. 133(7).
142. Ha, T.H., et al., Measurement of lumbar spine range of movement and coupled motion using inertial sensors - a protocol validity study. Manual Therapy, 2013. 18(1): p. 87-91.
143. Leardini, A., et al., Validation of the angular measurements of a new inertial-measurement-unit based rehabilitation system: Comparison with state-of-the-art gait analysis. Journal of NeuroEngineering and Rehabilitation, 2014. 11(1).
144. Mjøsund, H.L., et al., Clinically acceptable agreement between the ViMove wireless motion sensor system and the Vicon motion capture system when measuring lumbar region inclination motion in the sagittal and coronal planes. BMC Musculoskeletal Disorders, 2017. 18: p. 1-9.
145. Bolink, S.A., et al., Validity of an inertial measurement unit to assess pelvic orientation angles during gait, sit-stand transfers and step-up transfers: Comparison with an optoelectronic motion capture system. Medical Engineering & Physics, 2016. 38(3): p. 225-31.
146. Al-Amri, M., et al., Inertial Measurement Units for Clinical Movement Analysis: Reliability and Concurrent Validity. Sensors, 2018. 18(3).
147. Bergmann, J.H., R.E. Mayagoitia, and I.C. Smith, A portable system for collecting anatomical joint angles during stair ascent: a comparison with an optical tracking device. Dyn Med, 2009. 8: p. 3.
148. Cloete, T. and C. Scheffer, Benchmarking of a full-body inertial motion capture system for clinical gait analysis. Conference proceedings - IEEE engineering in medicine and biology society, 2008. 2008: p. 4579-82.
149. Saber-Sheikh, K., et al., Feasibility of using inertial sensors to assess human movement. Manual Therapy, 2010. 15(1): p. 122-125.
150. Saito, H. and T. Watanabe, Kalman-Filtering-Based Joint Angle Measurement with Wireless Wearable Sensor System for Simplified Gait Analysis. IEICE Transactions on Information and Systems, 2011. E94.D(8): p. 1716-1720.
151. Takeda, R., et al., Gait posture estimation using wearable acceleration and gyro sensors. Journal of biomechanics, 2009. 42(15): p. 2486-94.
152. Zhang, J.T., et al., Concurrent validation of Xsens MVN measurement of lower limb joint angular kinematics. Physiological Measurement, 2013. 34(8): p. N63-N69.
153. Favre, J., et al., Ambulatory measurement of 3D knee joint angle. Journal of biomechanics, 2008. 41(5): p. 1029-35.
154. Jaysrichai, T., A. Suputtitada, and W. Khovidhungij, Mobile Sensor Application for Kinematic Detection of the Knees. Annals of rehabilitation medicine, 2015. 39(4): p. 599-608.
155. Mifsud, N.L., et al., Portable Inertial Motion Unit for Continuous Assessment of In-shoe Foot Movement. Procedia Engineering, 2014. 72: p. 208-213.
156. Rouhani, H., et al., Measurement of multi-segment foot joint angles during gait using a wearable system. Journal of Biomechanical Engineering, 2012. 134(6).
157. Duc, C., et al., A wearable inertial system to assess the cervical spine mobility: comparison with an optoelectronic-based motion capture evaluation. Medical Engineering & Physics, 2014. 36(1): p. 49-56.
158. Kim, H., et al., Cervical Coupling Motion Characteristics in Healthy People Using a Wireless Inertial Measurement Unit. Evidence-based Complementary and Alternative Medicine, 2013. 2013.
84
159. Schiefer, C., et al., A technical support tool for joint range of motion determination in functional diagnostics - an inter-rater study. Journal of Occupational Medicine and Toxicology, 2015. 10: p. 16.
160. van den Noort, J.C., et al., Reliability and precision of 3D wireless measurement of scapular kinematics. Medical and Biological Engineering and Computing, 2014. 52(11): p. 921-931.
161. Yun, W.-S., et al., Individual characteristics of reliable lumbar coupling motions. European Spine Journal, 2015. 24(9): p. 1917-1925.
162. Roy, J.-S., et al., L’évaluation clinique, les traitements et le retour en emploi de travailleurs souffrant d’atteintes de la coiffe des rotateurs - Bilan des connaissances. 2015, Institut de recherche Robert-Sauvé en santé et en sécurité du travail (IRSST): Montréal.
163. Porciuncula, F., et al., Wearable Movement Sensors for Rehabilitation: A Focused Review of Technological and Clinical Advances. Physical Medicine and Rehabilitation, 2018. 10(9S2): p. S220-S232.
164. van der Molen, H.F., et al., Work-related risk factors for specific shoulder disorders: a systematic review and meta-analysis. Occupational and Environmental Medicine, 2017. 74(10): p. 745-755.
165. Anglin, C. and U.P. Wyss, Review of arm motion analyses. Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine, 2000. 214(5): p. 541-55.
166. Poitras, I., et al., Validity and Reliability of Wearable Sensors for Joint Angle Estimation: A Systematic Review. Sensors, 2019. 19(7).
167. Halder, M.A., et al., Effects of the Glenoid Labrum and Glenohumeral Abduction on Stability of the Shoulder Joint Through Concavity-Compression : An in Vitro Study. The Journal of Bone & Joint Surgery, 2001. 83(7): p. 1062-1069.
168. Wattanaprakornkul, D., et al., The rotator cuff muscles have a direction specific recruitment pattern during shoulder flexion and extension exercises. Journal of science and medicine in sport, 2011. 14(5): p. 376-382.
169. B.V., X.T., MVN User Manual- User Guide MVN, MVN BIOMECH MVN Link, MVN Awinda. 2015. 170. Matheson, L.N., The functional capacity evaluation, in Disability Evaluation, G.A.S.D.G. Smith,
Editor. 2003, Mosby Yearbook: Chicago. 171. Grabiner, M.D. and T.M. Owings, EMG differences between concentric and eccentric maximum
voluntary contractions are evident prior to movement onset. Experimental Brain Research, 2002. 145(4): p. 505-11.
172. Mukaka, M.M., A guide to appropriate use of Correlation coefficient in medical research. Malawi Medical Journal : The Journal of Medical Association of Malawi, 2012. 24(3): p. 69-71.
173. Robert-Lachaine, X., et al., Effect of local magnetic field disturbances on inertial measurement units accuracy. Applied Ergonomics, 2017. 63: p. 123-132.
174. Kolber, M.J. and W.J. Hanney, The reliability and concurrent validity of shoulder mobility measurements using a digital inclinometer and goniometer: a technical report. International Journal of Sports Physical Therapy, 2012. 7(3): p. 306-13.
175. Ligorio, G., et al., A novel functional calibration method for real-time elbow joint angles estimation with magnetic-inertial sensors. Journal of biomechanics, 2017. 54: p. 106-110.
176. van der Windt, D.A., et al., Shoulder disorders in general practice: incidence, patient characteristics, and management. Annals of the Rheumatic Diseases, 1995. 54(12): p. 959-964.
177. Minning, S., et al., EMG analysis of shoulder muscle fatigue during resisted isometric shoulder elevation. Journal of Electromyography and Kinesiology, 2007. 17(2): p. 153-159.
178. Hawkes, D.H., et al., Electromyographic assessment of muscle fatigue in massive rotator cuff tear. Journal of Electromyography and Kinesiology, 2015. 25(1): p. 93-99.
179. Bisi, M.C., et al., Anatomical calibration for wearable motion capture systems: Video calibrated anatomical system technique. Medical Engineering & Physics, 2015. 37(8): p. 813-819.
180. Filippeschi, A., et al., Survey of Motion Tracking Methods Based on Inertial Sensors: A Focus on Upper Limb Human Motion. Sensors, 2017. 17(6).
181. Lastayo, P.C., et al., Eccentric muscle contractions: Their contribution to injury, prevention, rehabilitation, and sport. Journal of Orthopaedic & Sports Physical Therapy, 2003. 33(10): p. 557-571.
85
Annexe A – Supplementary files Chapitre 1
Table S-1: Specialized keywords used for each database search
Psychometric
properties
AN
D
Data Acquisition Systems
AN
D
Movements
General
keywords
psychometric
property OR
reliability OR
validity
inertial measurement unit
OR wearable sensor OR
inertial sensor OR
accelerometry
joint angle
OR range of
motion OR
movement
OR kinematic
MeSH
(Pubmed)
psychometrics
OR
reproducibilit
y of results
physiology/instrumentatio
n OR accelerometry
biomechanica
l phenomena
OR range of
motion,
articular OR
movement
CinAHL
descriptors
reliability and
validity
wearable sensors OR
wearable technology
kinematic OR
range of
motion
Thesaurus
(Ergonomic
abstract)
test validity
OR reliability wearable technology
range of
motion).
Ei
mainheading
(Compendex
)
reliability OR
reliability
analysis
biomedical equipment OR
wireless sensor networks
OR wearable sensors)
joint anatomy
Emtree
(Embase)
validity OR
reliability electronic sensor
range of
motion
86
Table S-2 : Synthesis of criterion validity results
Authors n IMU used Motion capture system used Task Validity
Knee
Al-Amri &
al. 26
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Walking
Jump
Squat
• Sagittal plane: CMC > 0.9 et r2 > 0.8
• Frontal and transverse plan: r2 = 0.4-0.8
Bergmann, J. H. & al.
14 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Codamotion (Charnwood
Dynamics, Leicestershire, UK) Climbing steps
Pearson Coefficient (r)/ RMSE (°) (mean±SD): 0.98 ±0.05 / 4 ± 3
Blair, S &
al. 30
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Kicking tasks
Mean difference ± 90% CL
Australian football: 0.1 ± 1.1
Soccer: 0.3 ± 1.1 Rugby: 0.2 ± 1.1
Cloete, T.
& al. 8
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands))
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Walking
Flexion/extension
RMSE (°) (SD) / R (mean + SD) Right: 7.61 (4.47)/ 0.92 (0.08)
Left: 9.33 (5.45)/ 0.85 (0.22)
Valgus/varus
RMSE (°) (SD) / R (mean + SD)
Right: 10.22 (4.71) /0.26 (0.48)
Left: 11.46 (6.90)/ 0.12 (0.41) Rotation:
RMSE (°) (SD) / R (mean + SD)
Right: 6.44 (2.83)/ 0.25 (0.44)
Left: 8.18 (4.28)/ 0.24 (0.40)
Dejnabadi, H. & al.
8 Accelerometer chips ADXL202/210 and yaw rate gyro
chips ADXRS150/300 Ultrasoundbased
motion measurement (Zebris,D) Walking
Average RMSE error: 1 °
Mean: 0.5° SD: 0.8°
CMC: 0.999
Dowling,
A. V. & al. 38
Inertial measurement units
(PhysilogVR , BioAGM, CH) Qualisys (Medical, Gothenburg, SE)
2-drop jumps with a
unilateral support landing
(R / accuracy °/precision °):
Land prep: 0.97/-3.7/2.4 Contact: 0.92/-4.7/3.4
Max stance: 0.93/-2.4/3.9
Difference: 0.94/2.3/3.9
Favre, J. & al.
10 IMUs (ADXRS and ADXL)
(PhysilogVR , BioAGM, CH) Libertys (Polhemus, USA)
Maximal active ROM
Walking (30m)
μ /RMS /CC (mean ±SD)
Flexion extension: -1.0± 1.0/ 1.5±0.4/1.00±0.00
Abduction/adduction: 0.0
±0.6/1.7±0.5/0.86±0.08 Internal-external rotation: 3.4±2.7/ 1.6±0.5/
0.95±0.03
Jaysrichai
T. & al. 10 IMU sensors (SparkFun Electronics, Niwot, CO, USA) Qualisys (Medical, Gothenburg, SE)
Knee flexion
Hip and knee flexion test
RMS(Min-Max) (°)/ ICC (Min-Max):
Knee flexion
right: 1.5-3.6/0.99-1.00
87
Forward step test
Leg abduction test
Walking (normal speed)
left: 2.5-4.7/0.97-1.00 Hip and knee flexion test
Right: 1.6-3.9/ 0.99-0.99
left: 2.6- 5.4/ 0.97-0.99 Forward step test
right: 2.4-4.2/0.88-0.96
left: 1.9-5.2/0.85-0.99 Leg abduction test
right :1.1-4.0/-0.26-0.86
left: 1.4-2.1/-0.27-0.87 Walk
right: 2.7-5.3/0.84-0.98
left: 2.3-5.1/0.84-0.98
Kumar Y. & al.
19 Home-made sensors systems Goniometer Maximal active ROM
r2
0.82 (flexion only)
Lower extremity ± 10°
Leardini
A. & al. 17
Riablo™ (CoRehab, Trento, Italy)
An adaptive
system, comprised of several IMU
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
1. Knee flexion against gravity in single leg up-
right posture
2. Knee extension against
gravity from the chair
3. Lunge
4. Squatt
RMSE - Mean ± SD (°)
1. 3.9 ± 0.7
2. 3.8 ± 0.8
3. 4.5 ± 1.3 4. 5.0 ± 1.2
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D,
Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSD (°)/Err peak(°)/CMC
Sit-to-stand: 1.3 / 3.2 / 0.983
Walk: 2.4 / 5.6 / 0.990 Turn: 2.4 / 4.9 / 1.000
Robert-
Lachaine X. & al.
12 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC/ /LoA
Z= 2.3/0.99/ -0.1±4.4
X= 1.9/0.91/0.6±2.8
Y= 3.3/0.97/0.4 ±5.5
Saito, H. & al.
3 Wireliss sensors
(WAA-006, Wireless Technologies) Optotrak system (Northern Digital Inc.,
Ontario, Canada) Walking (3 different
speeds)
Without Kalman Filter
RMSE (SD)
5.73 (2.15)
R (SD)
0.976 (0.011)
With Kalman Filter
RMSE (SD)
3.33 (0.80)
R (SD)
0.985 (0.008)
Takeda, R.
& al. 3
Tri-axial acceleration sensor (H34C, Hitachi Metals,
Ltd.) and three gyro sensors DIPP-Motion Pro (Ditect Co., Ltd.) Walking (5m)
RMSE = 6.79
Absolute deviation (AD) = 4.65
88
(ENC-03M, muRata Manufacturing Co., Ltd.) Correlation coefficient (CC) = 0.92
Zhang, JT & al.
10 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Walking
Stair descent
Stair ascent
ROM/error (°)/CMC (only in walking)
Walking: Flexion-extension= 0.8 ± 2.61 / 1.87 ±1.27/ 0.99
Abduction-adduction = 1.45± 10.81/ 5.09
±4.18 / 0.71 Internal-external rotation = 0.03 ± 4.69 / 2.7
± 2.2 / 0.88
Stair descent: Flexion-extension= 0.41 ± 1.59 / 1.99 ±1.07
Abduction-adduction= 0.65± 9.88/ 5.53
±3.78
Internal-external rotation = 0.1 ± 8.53 / 3.66
± 3.62
Stair ascent: Flexion-extension= 0.11 ± 0.68 / 1.71 ±1.45
Abduction-adduction = 0.79± 8.16/ 4.68
±3.76 Internal-external rotation = 1.65 ± 7.08 /
5.15 ± 3.08
Hip
Al-Amri & al.
26 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Walking
Jump
Squat
• Sagittal plan: CMC > 0.9 et r2 > 0.8
• Transverse hip: poor
Bauer, C. M. & al.
22 IMUs
(Valedo_ User Manual, Hocoma AG) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Maximal active ROM
r2 / RMSE
Flexion= 0.99 ± 0.01 / 6.1 ±2.7
Extension = 0.94 ±0.09 / 5.6 ± 4.1 Lateral flexion right = 0.87 ± 0.21 / 1.1 ±
0.7
Lateral flexion left = 0.85 ± 0.2/ 1.1 ± 0.7
Bergmann,
J. H. & al. 14
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Codamotion (Charnwood
Dynamics, Leicestershire, UK) Climbing steps
Pearson Coefficient/ RMSE (°) (mean±SD) :
0.96±0.06 / 5±3
Blair, S & al.
30 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Kicking tasks
Mean difference ± 90% CL
Australian football: -1.4 ± 0.3 Soccer: -1.7 ± 0.3
Rugby: -1.5 ± 0.3
Cloete, T.
& al. 8
MOVEN inertial motion-capture system (Xsens
technologies B.V., Enschede, the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Walking
Flexion/extension
RMSE (°) (SD) / R (mean + SD)
Right: 5.71 (3.18) /0.94 (0.08)
Left: 5.91 (4.36) / 0.94 (0.07) Abduction/adduction
RMSE (°) (SD) / R (mean + SD)
Right: 7.93 (4.53) /0.53(0.45) Left: 6.75 (5.77) / 0.57 (0.34)
Rotation
89
RMSE (°) (SD) / R (mean + SD) Right: 6.49 (3.16) /0.72 (0.1)
Left: 9.26 (6.63)/ 0.35 (0.29)
Dejnabadi,
H. & al. 8
Accelerometer chips ADXL202/210 and yaw rate gyro
chips ADXRS150/300
Ultrasoundbased
motion measurement (Zebris,D) Walking
Average RMS error: 0.6 ° Mean: 0.1°
SD: 1.1°
CMC: 0.998
Kumar Y. & al.
19 Home-made sensors systems Goniometer Maximal active ROM
r2
0.69 to 0.93 (abduction= 0.93,
adduction=0.82, extension=0.82,
flexion=0.90, internal rotation=0.79, external rotation= 0.69)
Lower extremity ± 10° (except for
adduction, extension and flexion at the hip = ±20°)
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D, Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSD (°)/Err peak(°)/CMC
Sit-to-stand: 0.9/ 2.4/ 0.999 Walk: 1.6/ 4.4/ 0.981
Turn: 1.3/ 3.3/ 1.000
Robert-
Lachaine X. & al.
12 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands))
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC /LoA
Z= 2.2/1.00/ -0.3±4.1
X= 2.3/0.97/0.2±3.7
Y= 3.5/0.95/-0.6±5.6
Saber-Sheikh, K.
& al.
20 Xsens MTx sensors
(Xsens technologies B.V., Enschede, the Netherlands) Fastrak system (Polhemus, 2007) Walking
RMSE
Mean difference: -0.05 (SD 0.77)
X: -0.69 (SD 0.90); Y: -0.4 (SD 1.05); Z: -
0.28 (SD 1.63)
Saito, H. &
al. 3
Wireliss sensors
(WAA-006, Wireless Technologies)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Walking (3 different
speeds)
Without Kalman Filter
RMSE (SD)
7.03 (3.95)
R (SD)
0.965 (0.019)
With Kalman Filter
RMSE (SD)
3.55 (1.37)
R (SD)
0.989 (0.005)
Takeda, R.
& al. 3
Tri-axial acceleration sensor (H34C, Hitachi Metals, Ltd.) and three gyro sensors
(ENC-03M, muRata Manufacturing Co., Ltd.)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Walking (5m)
Flex-Ext
RMSE = 8.72
Absolute deviation (AD) = 6.57
Correlation coefficient (CC) = 0.88
ABD-ADD
RMSE = 4.96
Absolute deviation (AD) = 3.30
90
Correlation coefficient (CC) = 0.72
Zhang, JT & al.
10 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Walking
Stair descent
Stair ascent
ROM/error (°)/CMC (only in walking)
Walking: Flexion-extension= 2.42 ± 3.83 / 2.47 ±1.6 /0.99
Abduction-adduction = 5.37±
5.56/4.83±3.16 /0.39 Internal-external rotation = 0.04 ± 4.38 /
3.02 ± 1.64 /0.96
Stair descent: Flexion-extension= 1.32 ± 2.87 / 1.9 ±1.24
Abduction-adduction = 11.78± 6.09/2.08
±2.17 Internal-external rotation = 0.37 ± 3.29 /
1.38 ± 1.08
Stair ascent: Flexion-extension= 1.95 ± 3.73 / 2.41 ±1.73
Abduction-adduction = 3.17± 3.02/3.57
±2.54 Internal-external rotation = 0.00 ± 2.23 /
2.32 ± 1.35
Ankle
Akins, J.
S. & al. 12
MARG sensors
(X-IMU, x-io Technologies Limited, UK).
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Soccer field maneuvers
Correlation coefficient/ RMSE*
Plantar-dorsiflexion = 0.935-0.975/1.64-3.595
Eversion-inversion = -0.74 – 0.327 /
2.857-5.175
Internal-external rotation =0.545-
0.654/8.358-10.375
*only initial contact data are reported,
for more details refer to article
Al-Amri &
al. 26
MTw2 trackers (Xsens technologies B.V., Enschede,
the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Walking
Jump
Squat
• Sagittal plan: CMC > 0.9 et r2 > 0.8
• Frontal plan ankle (walking): poor
Bergmann,
J. H. & al. 14
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Codamotion (Charnwood
Dynamics, Leicestershire, UK) Climbing steps
Pearson Coefficient/ RMSE (°)
(mean±SD): 0.93 0.05/ 4±2
Cloete, T. & al.
8 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Walking
Plantar / dorsi flexion
RMSE (°) (SD) / R (mean + SD) Right: 11.6 (4.27)/ 0.08 (0.16)
Left: 11.12 (5.01) /0.07 (0.38)
Eversion/inversion
RMSE (°) (SD) / R (mean + SD)
Right: 9.13 (3.64)/ 0.17 (0.48)
91
Left: 11.3 (3.59) /-0.01 (0.27) Rotation
RMSE (°) (SD) / R (mean + SD)
Right: 18.8 (6.67)/0.16 (0.32) Left: 17.89 (7.50)/ 0.38 (0.53)
Kumar Y. & al.
19 Home-made sensors systems Goniometer Maximal active ROM
r2
0.92(dorsiflexion) 0.93(plantar flexion)
Lower extremity ± 10°
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D,
Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSE (°)/Err peak(°)/CMC
Sit-to-stand: : 1.1 / 2.9 / 0.935 Walk: 2.1/ 5.7 / 0.996
Turn: 1.7/ 4.5 / 1.000
Mifsud
NL. & al. 14
IMU
(Debus und Diebold Messsysteme, GmbH)
Qualisys (Medical, Gothenburg, SE)
Running (10 meter at 12 ±
1.2 km/h)
Inversion/eversion (B, frontal plan) :
Bias 6,1
LOA (95%): -6.7, 18.9 ICC: -0.35
RMSE: 6.3
Internal/external rotation (p, transverse plan)
:
Bias: 0.3 LOA (95%): -15.8, 16.3
ICC: 0.37
RMS : 7,7
Horizontal sol angle (y, sagittal plan):
Bias: -7.1 LOA (95%): -18.3, 4.1
ICC: 0.92
RMSE: 7.0
Robert-
Lachaine
X. & al.
12 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Optotrak system (Northern Digital Inc.,
Ontario, Canada) Handling tasks and simple
movements
RMSE/CMC /LoA
Z= 3.8/0.95/0.0 ±7.2 X= 4.3/0.89/-0.6±8.0
Y= 7.3/0.77/0.8 ±13.6
Rouhani,
H. & al. 3
IMUs
(PhysilogVR , BioAGM, CH)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Walking (2, 3.5, and 5
km/h)
RMS differences (°)
Slow walking: 1.2 Medium walking: 1.4
Fast walking :2.0
Mean coefficient correlation: 0.93 Mean difference: below 4 degrees
Saito, H. &
al. 3
Wireliss sensors (WAA-006, Wireless Technologies)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Walking (3 different
speeds)
Without Kalman Filter
RMSE (SD)
5.60 (2.42)
R (SD)
0.768 (0.126)
92
With Kalman Filter
RMSE (SD)
3.94 (0.89)
R (SD)
0.824 (0.064)
Zhang, JT & al.
10 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Walking
Stair descent
Stair ascent
ROM/error (°)/CMC (only in walking)
Walking: Flexion-extension= 0.4 ± 2.58 / 2.15 ±1.24 / 0.99
Abduction-adduction = 1.38±
3.19/1.81±1.26 / 0.95 Inversion-eversion = 1.25 ± 2.37 / 1.84 ±
1.06 /0.77
Stair descent: Flexion-extension= 0.04 ±
2.56 / 3.99 ±2.05
Abduction-adduction = 8.06± 7.35/6.69±
3.23 Inversion-eversion = 0.29 ± 4.4 / 2.58 ±
1.61
Stair ascent: Flexion-extension= 0.26 ± 3.00 / 2.86 ±1.62
Abduction-adduction = 3.43± 4.82/ 2.56±
1.76 Inversion-eversion = 0.31 ± 2.93 / 1.61 ±
1.12
Pelvis
Blair, S & al.
30 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Kicking tasks
Mean difference ± 90% CL
Australian football: 0.9 ± 0.7
Soccer: 0.1 ± 0.7
Rugby: 0.3 ± 0.7
Bolink, S. A. & al.
17 IMUs
(MicroStrain® Inertia-Link) MOCAP, six VICON
MX-3+ and two VICON MX-T20 cameras
Gait
Sit-to-stand
Block step-up
ICC/RMSE (°)/ Pearson correlation
Gait
Sagittal plane: 0.96/2.7/0.94
Frontal plane: 1.00/2.68/0.91
Sit-to-stand
Sagittal plane: 0.99/8.89/0.92
Frontal plane:1.00/4.44/0.89
Block step-up
Sagittal plane: 0.98/6.61/0.86
Frontal plane: 0.96/3.05/0.85
Bugane, F.
& al. 16 Free4Act (F4A – LetSense Srl, Bologna, Italy)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Walking
Tilt
RMSE (SD): 0.73 (0.38) R (SD) :0.88 (0.04)
difference (SD):
0.12 (0.13) Obliquity
RMSE (SD): 1.22 (0.41)
R (SD): 0.95 (0.02)
93
Difference ° (SD): 0.85 (0.46) Rotation
RMSE (SD): 2.66 (1.57)
R (SD): 0.91 (0.11) Difference ° (SD): 1.76 (1.03)
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D,
Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSD (°)/Err peak(°)/CMC
Sit-to-stand: 1.0/2.9/0.997 Walk: 2.2/5.1/0.842
Turn: 1.7/4.0/1.000
Plamondon
& al. 6
IMUs
(Micro Strain 3DM-G, Burlington)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Lifting tasks (Static validation and
dynamic validation)
RMSE (SD) °
Static validation
Flexion a:
Static: 0.7 (0.2) Slow: 0.4 (0.1)
Moderate: 0.4 (0.1)
Fast: 0.4 (0.1) All speeds: 0.5 (0.2)
Lateral b
Static: 0.8 (0.1) Slow: 0.6 (0.1)
Moderate: 0,5 (0,1)
Fast: 0.6 (0.1) All speeds: 0.7 (0.2)
Torsion g Static: 2.4 (0.4)
Slow: 1.7 (0.2)
Moderate: 1.5 (0.1) Fast: 2.2 (0.3)
All speeds: 2.0 (0.5)
Dynamic validation
Flexion a:
RMS = 2.0
95th = 5.3 CMC = 0.974
Lateral b:
RMS =1.8 95th = 4.9
CMC = 0.975
Torsion g: RMS = 4.7
95th = 15.1
CMC = 0.998
Schall, M.
C. & al. 6
IMU
system
(I2 M Motion Tracking, Series SXT)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Simulated milking cluster
attachment task
(RMSE° (SD))
Flexion-extension: 6.2 (3.0)
Lateral Bending: 5.0 (2.1)
94
Trunk
Bauer, C.
M. & al. 22
IMUs
(Valedo_ User Manual, Hocoma AG)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Maximal range of motion
- Isolated trunk movement
r2 / RMSE
Thoracic:
Flexion= 0.95 ± 0.04 / 5.8 ±2.0 Extension = 0.94 ±0.09 / 5.9 ± 3.3
Lateral flexion right = 0.99 ± 0.01 / 2.8 ±
1.4 Lateral flexion left = 0.99 ± 0.03/ 2.6 ± 2.0
Lumbar:
Flexion= 0.99 ± 0.01 / 4.1 ±1.8 Extension = 0.97 ±0.05 / 4.4 ± 2.2
Lateral flexion right = 0.99 ± 0.01 / 1.8 ±
0.0
Lateral flexion left = 0.99 ± 0.01/ 1.9 ± 1.3
Bergamini,
E. 5
FreeSense,
Sensorize
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Running
r=0.994 ± 0.013
RMSE: 3°±2°
Dowling,
A. V. & al. 38
Inertial measurement units
(PhysilogVR , BioAGM, CH) Qualisys (Medical, Gothenburg, SE)
2-drop jumps with a
unilateral support landing
(R / accuracy °/ precision °)
Contact: 0.75/-4.6/6.8
Max stance: 0.88/-5.5/5.6 Difference :0.72/0.0/5.4
Godwin A.
& al. 1
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sweep Table wash
Asymmetric lifting
(mean) RMSE - Max. RMSE (°)
Lumbar: Sweep: X: 1.4 – 5.7; Y: 1.3-6.3; Z: 1,0 – 5.1
Table wash: X: 4.1 – 12.5; Y:3.5- 10.5; Z: 2.0 – 8,1
Asymetric lifting:
X: 5.5 – 12.9; Y: 9,8 – 26.3; Z: 11.2 – 26.2 Upper trunk:
Sweep: X: 2.3 – 5.8; Y: 1.5 – 4.6; Z: 3.8 –
10.3 Table wash: X: 4.0 – 12.1; Y: 3.4 – 7.7; Z:
6.0 – 17.4
Asymetric lifting: X: 4.9 – 15.4; Y: 6.9 – 17.1; Z: 12.4 – 32.1
Ha TH. &
al. 26
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Fastrak system (Polhemus, 2007) Simple trunk movement
Correlation coefficient
Flexion: X= 0.0667 ; Y=0.8876 ; Z=0.3065 Extension: X=0.1930; Y=0.6573; Z=0.2389
Right lateral flexion: X=0.2251;
Y=0.4941; Z=0.8535 Left lateral flexion: X=0.597; Y=0.7832;
Z=0.900
Right rotation: X=0.6657; Y=0.5963; Z=0.2771
Left rotation: X=0.5411; Y=0.2674;
Z=0.4622
Leardini
A. & al. 17
Riablo™ (CoRehab, Trento, Italy)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
1. Lunge
RMSE : Mean ± SD (°)
95
An adaptive system, comprised of several IMU
2. Squatt
1. 1.6 ± 0.6 2. 2.7 ± 2.1
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D,
Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSD (°)/Err peak (°)/CMC
Sit-to-stand: 1.5 /3.7/0.996 Walk: 2.9 /6.8 /0.853
Turn: 3.1 /5.6 /0.999
Mjosund
HL. & al 14 ViMove
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Simple trunk movements
RMSE ± SD/ Mean difference/LoA
Flexion: 1.82 ±1.00/0.42/-3.86
Extension: 0.71 ± 0.34 / -0.12/ -2.15 Lateral Right: 0.77 ± 0.24/ -0.16/-2.37
Lateral left: 0.98 ± 0.69/ -0.08/-3.11
Plamondon
& al. 6
IMUs
(Micro Strain 3DM-G, Burlington)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Lifting task
(Static validation and
dynamic validation)
Mean RMSE (SD) °
Static validation
Flexion a:
Static: 0.9 (0.1) Slow: 0.7 (0.2)
Moderate: 0.7 (0.1)
Fast: 0.6 (0.1) All speeds: 0.8 (0.2)
Lateral b
Static: 0.8 (0.2) Slow: 0.8 (0.2)
Moderate: 0.7 (0.1)
Fast: 0.6 (0.1) All speeds: 0.7 (0.1)
Torsion g
Static: 24 (0.5) Slow: 1.4 (0.3)
Moderate: 2.1 (0.3)
Fast: 1.4 (0.3) All speeds: 1.9 (0.6)
Dynamic validation
Flexion a: RMS =2.7
95th = 8.0
CMC = 0.993 Lateral b:
RMS = 1.9
95th = 6.3 CMC = 0.971
Torsion g:
RMS = 5.2 95th = 20.5
CMC = 0.988
96
Robert-
Lachaine X. & al.
12 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC /LoA
Z= 1.3/1.00/ 0.1 ±2.3
X- 1.5/0.98/-0.4±2.2
Y= 3.6/0.97/-2.6 ±4.5
Schall, M.
C. & al. 6
IMU
system
(I2 M Motion Tracking, Series SXT)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Simulated milking cluster
attachment task
(RMSE° (SD))
Flexion-extension: 5.4 (2.6)
Lateral Bending: 5.8 (2.9)
Shoulder
Barraza Madrigal,
J. A. & al.
10 Invensense-MPU6050
Ariel Performance Analysis
System (APAS)
Maximal active ROM
(Flexion Extension)
RMSE (°)
Max values :
X axis: 1.57
Y axis: 0.63 Z axis: 1.25
Min. Values :
X axis: 1.13 Y axis: 1.31
Z axis: 1.98
Bouvier,
B. & al. 10
Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Eagle 4 (Motion Analysis Corporation, CA,
USA)
Maximal active ROM
Wheel test
CMC / RMSE (°)
Shoulder flexion flexion=0.98/13.4
internal/external rotation= 0.60/14 Shoulder abduction
flexion = 0.97/19.3
external/internal rotation = 0.83/21.8
Wheel flexion= 0.91/14.7
abduction= 0.73/11.4
internal/external rotation = 0.74/18.1
Cutti, A.
G. & al. 1
IMMS MT9B (Xsens technologies B.V., Enschede, the
Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Maximal active ROM
RMS error (°) /r/ m (angular coefficient
of regression
97% of data pairs: ranged 0.2 to 3.2/ 90.4% of data pair: above 0.86/ 88% of data pairs:
0.79 to 1.15
Ertzgaard, P. & al.
10
IMUs
(Analog de-
vices, Adis 16350)
Codamotion (Charnwood Dynamics, Leicestershire, UK)
Lifting and dropping
Throwing
Task 1: Top of the head, to
the shoulder, clapping
ICC
Cone: flexion-extension=0.952/Abduction-
Adduction= 0.879/External-internal
rotation= 0.943
97
back of hands together, moved hands to the knee
and then
to the toe
Task 2: Ears, to the eyes
and then to the mouth
Throwing: flexion-extension=0.975/Abduction-Adduction=
0.817/External-internal rotation= 0.905
Task 1: flexion-extension=0.902/Abduction-
Adduction= 0.949/External-internal
rotation= 0.799
Task 2: flexion-extension=0.943/Abduction-
Adduction= 0.946/External-internal rotation= 0.768
Fantozzi,
S. & al. 8
IMMU system (Opal, APDM,
7 units, 128 Hz, Motion Studio software beta version 1.0.0.201310221707)
SMART-DX 7000 (BTS Bioengineering, 7
cameras, 250 Hz, software version 1.10.451.0)
Swimming
(Simulated front-crawl
and breaststroke)
CMC/RMSE (°)/r
Front-crawl
Flex-ext: 0.99/ 5/ 0.99
ABD-ADD: 0.97/10/0.95
Int-ext rot: 0.99/7/0.98
Breast-stroke:
ABD-ADD: 0.99/ 5/1
Int-ext rot: 0.99/3/0.99
Gil-Agudo, A.
& al.
1 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Codamotion (Charnwood
Dynamics, Leicestershire, UK) Drinking
Flexion- extension: 0.76 ±4.04/0.998
Abduction- Adduction: 0.69 ±10.47 / 0.991 Internal- external rotation: -0.65± 5.67/
0.992
Godwin A. & al.
1 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands) Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sweep
Table wash
Asymmetric lifting
(mean) RMSE - Max. RMSE (°)
Sweep:
Right :X: 12.7 – 34.1; Y:8.9 – 30.8; Z:25.5
– 53.9
Left: X: 2.8 – 11.5; Y: 3.3- 13.3 ; Z: 2.8 – 10.9
Table wash:
Right : X: 14.8 – 45.8; Y: 12.4 – 39.5; Z: 25.6 – 64.1
Left : X: 7.1 – 31.8; Y: 9.3 – 32.3; Z: 12.1 –
64.5
Asymetric lifting:
Right: X: 9.6 – 33.1; Y:13.1 – 33.2; Z: 17.1
– 55.5
Left: X: 12.9 – 49.8; Y: 16.2 – 42.2; Z: 23.6
– 74.2
Kumar Y. & al.
19 Home-made sensors systems Goniometer Maximum range of motion
r2
0.79 to 0.89 (flexion= 0.84, extension= 0.84,
abduction= 0.86, internal rotation = 0.79,
external rotation = 0.89) Upper extremity ± 20°
98
Pérez R. &
al. 1
MTi Xsens inertial (Xsens technologies B.V., Enschede, the Netherlands)
SMART-DX 7000 (BTS Bioengineering, 7
cameras, 250 Hz, software version 1.10.451.0)
Flexion-ext
ABD-ADD
Internal rotation
Serving water from a jar
Correlation coefficient:
Flexion-Ext: 0.994
ABD-ADD: 0.718 Inter. Rot: 0.995
Serving water from a jar:
Flexion-Ext: 0.995 ABD-ADD: 0.908
Inter. Rot: 0.853
Mean peak diff. °:
Flexion-Ext: 13.4
ABD-ADD: 17.25
Inter. Rot: 60.45
Serving water from a jar:
Flexion-Ext: 13.82
ABD-ADD: 7.44 Inter. Rot: 28.88
Robert-Lachaine
X. & al.
12 Xsens MVN BIOMECH (Xsens technologies B.V.,
Enschede, the Netherlands)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC/LoA
X= 2.9/1.00/-0.1± 5.2
Z= 3.0/0.99/ -0.9±4.2 Y=2.5/0.99/-0.7± 3.8
Schall, M.
C. & al. 6
IMU
system
(I2 M Motion Tracking, Series SXT)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Simulated milking cluster
attachment task
(RMSE° (SD))
7.2-12.1 (2.4-3.2)
Zhou, H.
& al. 8
MTx inertial sensors (Xsens technologies B.V.,
Enschede, the Netherlands) Qualisys (Medical, Gothenburg, SE)
Activity of daily living
and rotation of upper
extremity at different speeds (following circle
and rectangle)
Mean ±SD (°)/RMS (°) /Correlation
0.05 m/s: 1.79±1.45/2.04/0.96-
0.1 m/s: -2.29±2.44/2.38/0.97 0.15 m/s: 2.69±2.35/2.06/0.94
0.25 m/s: -2.13±2.03/2.05/0.98
Elbow
Bouvier, B. & al.
10 MTx
(Xsens Technologies B. V.) Eagle 4 (Motion Analysis Corporation, CA,
USA)
Flexion Extension
Pronation
Supination Wheel test
CMC / RMSE (°)
flexion-extensions = 0.93/24 pronation-supination= 0.95/14,2
wheel= 0.80/24,9
Cutti, A.
G. & al. 1
IMMS MT9B
(Xsens technologies B.V., Enschede, the Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK) Simple movement
RMS error (°) /r/ m (angular coefficient
of regression
97% of data pairs : ranged 0.2 to 3.2/ 90.4%
of data pair: above 0.86/ 88% of data pairs:
0.79 to 1.15
Ertzgaard,
P. & al. 10
IMUs
(Analog de- vices, Adis 16350)
Codamotion (Charnwood
Dynamics, Leicestershire, UK)
Lifting and dropping
Throwing
ICC
Cone: flexion- extension=0.984, pronation-supination= 0.682
99
Task 1: Top of the head, to
the shoulder, clapping
back of hands together, moved hands to the knee
and then
to the toe
Task 2: Ears, to the eyes
and then to the mouth
Throwing: flexion- extension=0.845,
pronation-supination= 0.783
Task 1: flexion- extension=0.914,
pronation-supination= 0.792
Task 2: flexion- extension=0.888,
pronation-supination= 0.808
Fantozzi, S. & al.
8
IMMU system (Opal, APDM,
7 units, 128 Hz, Motion Studio software beta version
1.0.0.201310221707)
SMART-DX 7000 (BTS Bioengineering, 7 cameras, 250 Hz, software version 1.10.451.0)
Swimming (simulated
front-crawl
and breaststroke)
CMC/RMSE (°)/r
Front-crawl
Flex-ext: 0.95/15/0.96
Pro-sup :0.93/10/0.92
Breast-stroke:
Flex-ext: 0.98/8/0.99
Pro-sup: 0.97/6/0.99
Gil-Agudo, A.
& al.
1 Xsens MTx
(Xsens technologies B.V., Enschede, the Netherlands)
Codamotion (Charnwood
Dynamics, Leicestershire, UK) Drinking
Flexion-extension: -0.54 ±2.63/0.999
Pronation- Supination: -5.16 ±4.5/ 0.991
Godwin A.
& al. 1
Xsens MTx (Xsens Technologies, Enschede, The
Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sweep Table wash
Asymmetric lifting
(mean) RMSE - Max. RMSE (°)
Sweep:
Right :X: 8.6 – 19.4; Y: 2.2 – 6.5; Z: 5.6 – 19.3
Left: X: 1.0 – 5.8; Y: 0.6 – 2.5; Z: 1.8 – 7.0
Table wash:
Right: X: 9.7 – 30.6; Y:6.3 – 19.2; Z: 13.4 – 31.8
Left: X: 4.5 – 17.6; Y: 3.5 – 14.6; Z: 2.9 – 14.1
Kumar Y. & al.
19 Home-made sensors systems Goniometer Maximum range of motion
r2
0.77 (flexion only) Upper extremity ± 20°
Pérez R. &
al. 1
MTi Xsens inertial (Xsens technologies B.V., Enschede, the Netherlands)
SMART-DX 7000 (BTS Bioengineering, 7
cameras, 250 Hz, software version 1.10.451.0)
Flexion
Extension Pronation
Supination
Serving water from a jar
Correlation coefficient:
Flex-ext: 0.984
Pro-Sup: 0.968
Serving water from a jar: Flex-ext: 0.979
Pro-sup: 0.925
Mean peak diff. °:
Flex-ext: 5.8
Pro-Sup: 24.1
100
Serving water from a jar: Flex-ext: 18.6
pro-sup: 11.7
Robert-
Lachaine X. & al.
12 Xsens system
(Xsens technologies B.V., Enschede, the Netherlands)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC/LoA
Z= 2.9/0.99/0.3±5.2
X=2.0/0.98/0.3±3.7
Y= 2.6/0.99/0.6 ±4.8
Zhou, H.
& al. 8
MTx inertial sensors (Xsens technologies B.V.,
Enschede, the Netherlands) Qualisys (Medical, Gothenburg, SE)
Activity of daily living
and rotation of upper
extremity (following circle and rectangle)
Mean ±SD (°)/RMS (°) /Correlation
0.05 m/s: -2.43±1.97/2.33/0.97
0.1 m/s: -2.53±2.35/2.41/0.96
0.15 m/s: -2.11±2.67/2.25/0.97 0.25 m/s: -2.23±2.14/2.16/0.97
Wrist
Bouvier, B. & al.
10 Xsens MTx
(Xsens technologies B.V., Enschede, the Netherlands) Eagle 4 (Motion Analysis Corporation, CA,
USA)
Flexion Extension
Abduction Adduction
CMC / RMSE (°)
flexion-extensions :0.95 / 11.6
abduction-adductions :0.81/12.3
Fantozzi, S. & al.
8
IMMU system (Opal, APDM,
7 units, 128 Hz, Motion Studio software beta version
1.0.0.201310221707)
SMART-DX 7000 (BTS Bioengineering, 7 cameras, 250 Hz, software version 1.10.451.0)
Swimming
(simulated front-crawl
and breaststroke)
CMC/RMSE (°)/r
Front-crawl
Flex-ext: 0.95/5/0.96
RA-UL: 0.90/3/0.91
Flex-ext: 0.99/6/1
Breast-stroke:
Flex-ext: 0.98/5/0.98
RA-UL: 0.93/4/0.93
Gil-Agudo, A.
& al.
1 Xsens MTx
(Xsens technologies B.V., Enschede, the Netherlands)
Codamotion (Charnwood
Dynamics, Leicestershire, UK) Drinking
Flexion- extension :3.47 ± 9.43/0.974
Radial-ulnar deviation : -2.19 ± 4.64/ 0.954
Kumar Y.
& al. 19 Home-made sensors systems Goniometer Maximum range of motion
r2
0.75 (pronation) 0.73(supination)
0.62 to 0.88(flexion=0.86, extension=0.68,
radial deviation=0.88, ulnar deviation=0.62)
Upper extremity ± 20°(except for extension
and ulnar deviation = ±30°)
Pérez R. & al.
1
MTi Xsens inertial (Xsens technologies B.V.,
Enschede, the Netherlands)
SMART-DX 7000 (BTS Bioengineering, 7 cameras, 250 Hz, software version 1.10.451.0)
Flexion
Extension
Serving water from a jar
Correlation coefficient:
Flex- ext: 0.987 Serving water from a jar: 0.924
Mean peak diff. °:
101
Flex- ext: 11.65 Serving water from a jar: 26.88
Robert-
Lachaine
X. & al.
12 Xsens system
(Xsens technologies B.V., Enschede, the Netherlands) Optotrak system (Northern Digital Inc.,
Ontario, Canada) Handling tasks and simple
movements
RMSE/CMC/LoA
Z = 3.8/0.96/-1.0±6.9 X= 2.8/0.95/ -0.4 ±5.1
Y=3.6/0.92/-1.3±5.9
Neck
Gil-Agudo, A.
& al.
1 Xsens MTx
(Xsens technologies B.V., Enschede, the Netherlands)
Codamotion (Charnwood
Dynamics, Leicestershire, UK) Drinking
Flexion-extension: 1.58±1.34/ 0.999
Inclination: -8.24 ± 2.10 / 0.993
Godwin A.
& al. 1
Xsens MTx (Xsens Technologies, Enschede, The
Netherlands)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sweep
Table wash Asymmetric lifting
(mean) RMSE - Max. RMSE (°)
Sweep: X: 1.7 – 5.2; Y: 1.3 – 5.6; Z:0.7-3.5
Table wash: X: 2.2 -12.8; Y: 3.0 – 11.0; Z:
9.8 – 40.6
Asymetric lifting: X: 11.7 – 30.9; Y: 6.3 – 18.4; Z: 14.4 – 47.1
Jasiewic,
J.M et al. 10
IC3 (Intersense, Bed-
ford, MA, USA) Fastrak system (Polhemus, 2007)
Maximum range of motion
(Left side)
Rotation Flexion
Lateral flexion (left)
Mean error – SD (°)/ RMSE – SD/ cross-
correlation
Head mounted sensors
Flexion: -0.2 – 0.8/ 2.1 – 1.1/ 0.98 Lateral flexion: 2.2 – 0.8/ 2.5 – 0.9/ -0.97
Rotation: 0.8 – 1.3/2.3 – 0.9/0.97
C7/Trunk mounted sensors
Flexion: -0.0 – 0.6/1.2 – 0.5/0.98
Lateral flexion: 0.4 – 0.3/0.7 – 0.7/0.99
Rotation: -1.9 – 0.7/0.9-0.5/0.98
Lebel K. &
al. 20
IGS-180 (synertial) (model OSv3 also called OS3D,
Inertial Labs)
Vicon Motion Systems (Oxford Metrics Ltd,
Oxford, UK)
Sit-to-stand
Walking
Turning
RMSD (°)/Err peak (°)/CMC
Sit-to-stand: 4.0 /8.0/0.9
Walk: 3.7 /8.9/0.819 Turn: 4.4 /6.8/0.998
Robert-
Lachaine X. & al.
12 Xsens system
(Xsens technologies B.V., Enschede, the Netherlands)
Optotrak system (Northern Digital Inc.,
Ontario, Canada)
Handling tasks and simple
movements
RMSE/CMC/LoA
Z= 1.4/1.00/0.1±2.8
X= 1.5/1.00/-0.0±2.6
Y= 3.0/0.99/-1.4±5.0
RMSE: root mean square error, CMC: coefficient of multiple correlation, LoA: Limits of Agreement, Err: Error, SD: Standard deviation, Diff: Difference, Flex: flexion, Ext: extension, Abd: abduction, Add: Adduction, RA-UL: Radio-ulnaire, Pro-sup: Pro-supination; ICC: intraclass correlation coefficient, ROM: Range of motion
102
Table S-3: Synthesis of reliability results
Knee
Authors n IMU used Task Reliability
Al-Amri & al. 26 Xsens MVN BIOMECH
(Xsens technologies B.V.,
Enschede, the Netherlands)
Walking
Jump
Squat
Intra-rater reliability
• Sagittal plan : ICC : 0.60 à 0.95
• Absolute : SEM < 5°
Inter-rater reliability
• Walking and squatting: ICC > 0.6 et SEM < 5°
• Jumping: poor to excellent
Favre, J. & al. 10
IMUs (ADXRS and ADXL)
(PhysilogVR , BioAGM,
CH)
Maximal active ROM
Walking (30m)
Intra-rater reliability
Repeatability of the θ angle (R) was 2.8°
Schiefer, C. & al 20 CUELA system
(CUELA, IFA, Sankt
Augustin,Germany )
Passive maximal ROM
Intra-rater reliability (/ICC)
Knee ext: 0.61
Knee flex: 0.82(left), 0.84 (right)
Hip
Al-Amri & al. 26 Xsens MVN BIOMECH
(Xsens technologies B.V.,
Enschede, the Netherlands)
Walking
Jump
Squat
Intra-rater reliability
• Sagittal plan : ICC : 0.60 à 0.95
• Absolute : SEM < 5°
Inter-rater reliability
• Walking and squatting: ICC > 0,6 et SEM < 5°
• Jumping: poor to excellent
Bauer, C. M. & al. 24
IMUs
(Valedo_ User Manual,
Hocoma AG)
Maximal active ROM Intra-rater reliability
• Index of dependability: 0.19 to 0.9 (High to very reliable)
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt Augustin,Germany )
Maximal passive ROM
Intra-rater reliability (ICC)
Hip flex: 0.87(left), 0.92 (right)
Hip lat. Rot: 0.87 (left), 0.96 (right)
Hip med Rot: 0.91 (left), 0.93 (right)
Ankle
Akins, J. S. & al. 12 MARG sensors
(X-IMU, x-io Technologies
Limited, UK).
Soccer field maneuvers
Intra-rater reliability (ICC/ /SEM) *:
Plantar-dorsiflexion = 0.284-0.755/2.6-7.1
Eversion-inversion = 0.482-0.741/1.5-3.4
Internal-external rotation =0.558-0.788/3.3-5.9
*only initial contact data are reported, for more details refer to article
103
Al-Amri & al. 26
Xsens MVN BIOMECH
(Xsens technologies B.V., Enschede, the Netherlands)
Walking
Jump
Squat
Intra-rater reliability
• Sagittal plan: ICC : 0.60 à 0.95
• Absolute: SEM < 5°
Inter-rater reliability
• Walking and squatting: ICC > 0.6 et SEM < 5°
• Jumping: poor to excellent
Mifsud NL. & al. 14
IMU
(Debus und Diebold Messsysteme, GmbH)
Running (10 meter at 12 ± 1.2
km/h)
Reliability (test re-test/intra-rater reliability)
Inversion/eversion (B, frontal plan):
Bias: -0.3
LOA (95%): -7.2, 6.6 ICC: 0.84
RMSE: 3.3
Internal/external rotation (p, transverse plan):
Bias: -0.4
LOA (95%): -10.6, 9.9 ICC: 0.88
RMSE: 5.0
Horizontal sol angle (y, sagittal plan):
Bias: -0.9
LOA (95%): -8.0, 6.2 ICC: 0.95
RMSE: 3.5
Pelvis
Bugane, F. & al. 1 Free4Act (F4A – LetSense
Srl, Bologna, Italy) Walking
Intra-subject/intra-raters reliability
Tilt
Good reliability with SD: 0.3°
Obliquity
Good reliability with SD: 0.6°
Rotation
Good reliability with SD: 1.1°
Trunk
Bauer, C. M. & al. 24
IMUs
(Valedo_ User Manual, Hocoma AG)
Maximal active ROM Intra-rater reliability
• Index of dependability: 0.19 to 0.9 (High to very reliable [except for the extension of lumbar spine])
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt Augustin,Germany )
Maximal active ROM
Intra-rater reliability (ICC)
Thoracic and lumbar rotation: 0.8(left), 0.9 (right) Thoracic dans lumbar lat flex: 0.9 (left), 0.92 (right)
104
Yun, W.S. & al. 19
MEMS-IMU transmitters
(EBIMU24G, E2BOX, Seoul, South Korea)
Maximal active ROM
Intra-rater reliability (ICC)
Intra-test reliability
(first/second session)
Sagittal Lateral bending R: 0.983/0.958
Lateral bending L: 0.947/0.945
Rotation R: 0.975/0.949 Rotation L: 0.896/0.944
Coronal
Flexion: 0.996/0.997 Extension: 0.983/0.958
Rotation R: 0.918/0.965
Rotation L: 0.966/0.916
Axial
Flexion: 0.992/0.989
Extension: 0.974/0.988 Lateral bending R: 0.975/0.965
Lateral bending L: 0.982/0.989
Test–retest reliability
Sagittal
Lateral bending R: 0.930 Lateral bending L: 0.834
Rotation R: 0.793
Rotation L: 0.815 Coronal
Flexion: 0.772 Extension: 0.930
Rotation R: 0.690
Rotation L: 0.669 Axial
Flexion: 0.865
Extension: 0.862 Lateral bending R: 0.862
Lateral bending L: 0.890
Shoulder
Bouvier, B. & al. 10
Xsens MVN BIOMECH
(Xsens technologies B.V.,
Enschede, the Netherlands)
Maximal active ROM
Wheel test
Intra-rater reliability
CMC / m (°) / r
Flexion
Flexion=0.99/5.9/1.2
Abduction= 0.72/4.2/1.6
External/internal rotation = 0.76/6.6/2.1 Abduction
Flexion = 0.99/6.2/1.3
105
Abduction= 0.85/5.7/1.6
External/internal rotation = 0.91/7.5/1.8 Wheel
Flexion= 0.96/7.2/1.9
Abduction= 0.91/5.3/1.4
Internal/external rotation= 0.87/7.8/1.6
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt
Augustin,Germany )
Maximal Passive ROM
Intra-rater reliability (ICC)
Shoulder ER: 0.71 (left), 0.86 (right)
Shoulder IR: 0.88 (left), 0.87 (right)
Scapula
van den Noort, J.
C & al. 20
MTw, (Xsens technologies
B.V., Enschede, the Netherlands)
Arm elevation
(ICC/SEM) (scapular retraction-protraction; Scapular mediolateral rotation; Scapular anterior-posterior
tilt) Interrater reliability
Anteflexion
Upward 0°: 0.68/6;0.79/3; 0.32/2
30°: 0.68/6; 0.79/3; 0.39/3
60°: 0.68/7; 0.8/3; 0.59/3 90°: 0.72/6; 0.81/4; 0.73/4
120°:0.76/6; 0.85/4; 0.71/4
Downward: 120°: 0.77/6;0.85/4; 0.69/4
90°: 0.77/6; 0.76/4; 0.73/3
60°:0.73/6; 0.71/4; 0.66/2 30°: 0.71/7; 0.72/3; 0.47/2
0°: 0.69/7; 0.75/3; 0.41/2
Abduction
Upward
0°: 0.81/5;0.79/3; 0.56/2
30°: 0.68/6; 0.81/3; 0.37/2 60°: 0.65/6;0.87/3; 0.5/3
90°: 0.68/6; 0.89/3; 0.82/3
120°: 0.72/6; 0.89/3; 0.82/3 150°: 0.69/7; 0.9/3; 0.87/3
Downward:
150°:0.67/8; 0.91/3; 0.87/3
120°: 0.69/6; 0.88/3; 0.84/3
90°:0.68/6; 0.86/3; 0.79/2
60°: 0.66/6/; 0.82/3; 0.59/3 30°: 0.66/6; 0.74/3; 0.5/3
0°: 0.74/6; 0.76/3; 0.54/2
Intra-raters reliability
106
Anteflexion
Upward
0°: 0.83/4; 0.6/4; 0.34/2
30°: 0.85/4; 0.68/4; 0.39/3 60°: 0.83/4; 0.78/4; 0.59/3
90°:0.82/5; 0.86/3; 0.64/4
120°:0.80/5; 0.88/3; 0.67/5 Downward:
120°:0.83/5; 0.87/3; 0.68/4
90°:0.82/5; 0.81; 0.62/4 60°:0.8/5; 0.69/4; 0.57/3
30°:0.79/5; 0.6/4; 0.51/2
0°: 0.8/5; 0.59/4; 0.48/
Abduction
Upward:
0°: 0.83/4; 0.74/3, 0.78/1 30°: 0.82/4; 0.71/4; 0.76/1
60°:0.8/4; 0.79/3; 0.81/2
90°:0.8/4;0.84/3; 0.78/3 120°:0.81/4; 0.85/3; 0.75/4
150°: 0.78/5; 0.84/4; 0.71/5
Downward: 150°:0.78/5;0.82/4; 0.69/5
120°: 0.79/5; 0.83/4; 0.73/4
90°:0.77/4; 0.79/3; 0.71/3 60°:0.77/4; 0.69/4; 0.68/2
30°:0.78/4;0.56/4; 0.79/2 0°:0.78/4; 0.69/3; 0.75/2
Elbow
Bouvier, B. & al. 10
Xsens MVN BIOMECH
(Xsens technologies B.V., Enschede, the Netherlands)
Maximal active ROM
Wheel test
Intra-rater reliability
CMC / m (°) / r
flexion-extensions = 0.99/6.2/1.2
pronation-supination = 0.96/7.6/2.2
wheel = 0,94/10,0/1,2
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt
Augustin,Germany )
Maximal passive ROM
Intra-rater reliability (Mean SD/ICC)
Elbow ext: 3.01/ 0.2 (left), 0.59 (right)
Elbow Flex: 4.06/ 0.69 (left), 0.77 (right)
Elbow pron: 4.76/ 0.48 (left), 0.43 (right)
Elbow sup: 3.94/ 0.39 (left), 0.7 (right)
Wrist
Bouvier, B. & al. 10
Xsens MVN BIOMECH
(Xsens technologies B.V.,
Enschede, the Netherlands)
Maximal active ROM
Intra-rater reliability
CMC / m (°) / r
flexion-extensions= 0.96/9.0/1.6
107
abduction-adductions = 0.96/5.2/1.4
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt
Augustin,Germany )
Maximal passive ROM
Intra-rater reliability (Mean SD/ICC)
Wrist ext: 3.58/ 0.88 (left), 0.9 (right)
Wrist flex: 4.23 0.9 (left), 0.86 (right)
Wrist ABD: 2.97/ 0.79 (left), 0.89 (right) Wrist ADD: 2.93/ 0.82 (left), 0.87 (right)
Neck
Duc, C. & al. 10 IMUs
(Physilog®, BioAGM, CH)
Maximal active ROM
Intra-rater reliability ICC / SEM °
Primary movement:
Ax Flexion-extension (FE): 1.00/1.2
Ay axial rotation (AR): 0.98/3.1
Az lateral bending (LB): 0.87/9.4 Associate movement:
Ay (LB): 0.88/3.5
Az (LB): 0.87/2.1 Ax (AR): 0.75/3.7
Az (AR): 0.64/2.5
Ax (FE): 0.91/1.9 Ay (FE): 0.82/1.1
Kim, H. & al. 18
IMUs
(model
EBIMU24G, E2BOX, Seoul, Republic Korea)
Maximal active ROM
Mean° (SD) /ICC (95% IC)
Intra-rater reliability
Flexion and extension:
Natural test
Total: 116.70 ± 17.26/0.98 (0.96–0.99)
Extension: 57.23 ± 8.80/0.97 (0.93–0.99)
Flexion: 58.48 ± 11.83/0.98 (0.96–0.99) Neutral test
Total (sagittal): 106.76 ± 20.33/0.99 (0.97–1.00)
Extension: 52.75 ± 9.25/0.95 (0.90–0.98) Flexion: 54.02 ± 13.46/0.98 (0.97–0.99)
Rotation:
Natural test
Total (transverse): 89.42 ± 10.1/ 0.97 (0.95–0.99)
Left: 44.15 ± 6.72/ 0.97 (0.93–0.99)
Right: 45.28 ± 4.97/ 0.98 (0.95–0.99) Neutral test
Total (transverse): 83.69 ± 13.79/ 0.99 (0.98–1.00)
Left: 42.17 ± 7.33/ 0.98 (0.96–0.99) Right: 41.52 ± 7.11/ 0.98 (0.97–0.99)
Lateral flexion:
Natural test
Total (transverse): 143.29 ± 17.02/ 0.99 (0.97–0.99)
Left: 69.67 ± 10.87/0.99 (0.97–0.99)
Right: 73.62 ± 10.81/0.99 (0.97–0.99) Neutral test
Total (transverse): 134.87 ± 22.43/ 0.98 (0.97–0.99)
108
RMSE: root mean square error, CMC: coefficient of multiple correlation, LoA: Limits of Agreement, SD: Standard deviation, Flex: flexion, Ext: extension, Pro-sup: Pro-supination; ICC: intraclass correlation coefficient, ROM: Range of motion, Standard error of the mean, lat.: lateral; l: left, R: righ
Left: 64.89 ± 11.74/ 0.98 (0.96–0.99) Right: 69.98 ± 13.99/ 0.99 (0.98–1.00)
Schiefer, C. & al 20
CUELA system
(CUELA, IFA, Sankt
Augustin,Germany )
Maximal active ROM
Intra-rater reliability (Mean SD/ICC)
Cervical rotation: 2.6/0.79
Cervical extension: 2.54/ 0.83
Cervical flexion: 2.86/ 0.83 Cervical lat. flex: 1.98/ 0.93 (left), 0.95 (right)
109
Table S-4 : Assessment of methodological quality by an appraisal quality tool (MacDermid & al., 2008)
Authors Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 Total score
Total % Agreement
Akins, J. S. & al 2 2 2 1 2 2 1 2 2 2 2 2 22 92 83
Al-Amri & al. 2 2 0 2 2 2 2 2 2 2 2 2 22 92 92
Barraza Madrigal, J. A. & al 1 2 0 1 0 N/A 2 2 2 1 1 2 14 64 73
Bauer, C. M. & al. 2 2 0 1 1 2 2 2 2 1 1 2 18 75 92
Bergamini, E. 1 1 0 1 0 N/A 2 1 2 2 1 2 13 59 67
Bergmann, J. H. & al. 1 1 0 0 0 N/A 1 2 2 2 1 2 12 55 83
Blair, S & al. 2 2 0 0 1 N/A 1 2 2 1 2 2 15 68 75
Bouvier, B. & al. 2 1 0 2 0 2 2 2 2 2 2 2 19 79 83
Bolink, S. A. & al. 2 2 0 0 0 N/A 2 2 2 2 1 1 14 64 92
Bugane, F. & al. 2 2 1 1 0 N/A 2 2 2 2 1 2 17 77 100
Cloete, T. & al. 2 1 0 0 0 N/A 2 2 1 2 1 2 13 59 58
Cutti, A. G. & al. 2 1 0 0 1 N/A 2 2 2 2 1 2 15 68 75
Dejnabadi, H. & al. 1 1 0 0 0 N/A 2 2 2 2 1 2 13 59 92
Dowling, A. V. & al. 1 2 0 1 2 N/A 2 2 2 2 1 2 17 77 92
Duc, C. & al. 1 2 1 2 0 N/A 2 1 2 2 2 2 17 77 67
Ertzgaard, P. & al. 2 2 0 1 0 N/A 1 2 2 2 1 1 14 64 83
Fantozzi, S. & al. 1 1 0 0 0 N/A 2 1 2 2 1 1 11 50 92
Favre, J. & al. 1 1 1 1 0 N/A 2 2 1 1 2 2 14 64 67
Godwin A. & al 2 0 0 0 0 N/A 1 1 2 2 1 2 11 50 58
Gil-Agudo, A. & al. 2 0 0 0 0 N/A 2 1 2 1 0 1 9 41 100
Ha TH. & al. 2 2 0 0 0 N/A 1 2 2 2 1 1 13 59 75
Jasiewic, J.M et al. 1 1 0 0 0 N/A 2 1 2 1 2 2 12 55 92
Jaysrichai T. & al. 1 1 0 0 0 N/A 2 1 2 2 1 1 11 50 100
Kim & al. 2 2 0 0 0 N/A 2 2 2 2 1 2 15 68 92
Kumar Y. & al. 1 1 0 0 1 N/A 1 2 2 2 2 1 13 59 83
Leardini A. & al. 1 1 0 1 0 N/A 2 2 2 1 1 2 13 59 83
Lebel K. & al. 2 1 0 1 2 N/A 2 2 2 2 2 2 18 82 83
110
Design requirements: Q1. Was the relevant background research cited to define what is currently known about the psychometric properties of the measures
under study, and the need or potential contributions of the current research question? Q2. Were appropriate inclusion/exclusion criteria defined? Q3. Were
specific psychometric hypotheses identified? Q4. Was an appropriate scope of psychometric properties considered? Q5. Was an appropriate sample size used?
Q6. Was appropriate retention/follow-up obtained? (Studies involving retesting or follow-up only) Q7. Documentation: Were specific descriptions provided
or referenced that explain the measures and its correct application/interpretation (to a standard that would allow replication)? Q8. Standardized Methods:
Were administration and application of measurement techniques within the study standardized and did they are considered potential sources of
error/misinterpretation? Q9. Were analyses conducted for each specific hypothesis or purpose? Q10. Were appropriate statistical tests conducted to obtain
point estimates of the psychometric property? Q11. Were appropriate ancillary analyses were done to describe properties beyond the point estimates
(Confidence intervals, benchmark comparisons, SEM/MID)? Q12. Were the conclusions/clinical recommendations supported by the study objectives, analysis
and results?[116]. N/A: not applicable; 2= fully meet criteria; 1 = partially meet criteria; 0= not meeting criteria at all
Mjosund HL. & al 2 2 1 0 2 N/A 2 2 2 2 2 2 19 86 92
Mifsud NL. & al. 1 0 1 1 0 0 2 2 2 2 1 2 14 58 67
Pérez R. & al. 1 0 0 0 0 N/A 2 2 2 2 1 2 12 55 75
Plamondon & al. 2 1 2 0 0 N/A 2 2 2 2 2 2 17 77 67
Robert-Lachaine X. & al. 1 2 2 0 0 N/A 2 2 2 2 1 2 16 73 83
Rouhani, H. & al. 1 1 1 0 0 N/A 1 1 2 2 0 2 11 50 75
Saber-Sheikh, K. & al. 2 1 0 1 0 N/A 1 1 2 1 0 1 10 45 75
Saito, H. & al. 1 0 0 0 0 N/A 1 1 2 2 1 2 10 45 92
Schall, M. C. & al. 1 1 0 1 0 N/A 2 1 2 1 2 2 13 59 83
Schiefer, C. & al 2 2 1 2 0 2 1 1 1 1 1 2 16 67 83
Takeda, R. & al. 1 1 0 0 0 N/A 1 1 2 2 1 2 11 50 83
van den Noort, J. C & al. 2 1 1 2 0 2 2 2 2 2 1 2 19 79 83
Yun, W.S. & al. 2 2 1 1 0 2 2 2 2 2 1 2 19 79 92
Zhang, JT & al. 2 1 0 0 0 N/A 2 1 2 2 2 2 14 64 83
Zhou, H. & al. 1 0 0 0 0 N/A 2 2 2 2 1 1 11 50 100
111
Table S-5 : Assessment of studies examining measurement errors (absolute measures) using COSMIN checklist (box B)
Design requirements: Q1. Was the percentage of missing items given? Q2. Was there a description of how missing items were handled? Q3. Was the sample
size included in the analysis adequate? Q4. Were at least two measurements available? Q5. Were the administration's independent? Q6. Was the time interval
stated? Q7. Were patients stable in the interim period on the construct to be measured? Q8. Was the time interval appropriate? Q9. Were the test conditions
similar for both measurements? e.g. type of administration, environment, instructions. Q10. Were there any important flaws in the design or methods of the
study? Statistical methods: Q11. For continuous scores: Was an intraclass correlation coefficient (ICC) calculated? Q12. for dichotomous/nominal/ordinal
scores: Was kappa calculated? Q13. For ordinal scores: Was a weighted kappa calculated? Q14. For ordinal scores: Was the weighting scheme described? e.g.
linear, quadratic.[115] ; N/A: not applicable; 1 = yes; 0= no
Authors Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 Q13 Q14 Total score
Total % Agreement
Akins, J. S. & al 1 1 1 1 1 1 N/A 1 1 1 1 N/A N/A N/A 10 100 100
Al-Amri & al. 1 1 1 1 1 1 N/A 1 1 1 1 N/A N/A N/A 10 100 90
Barraza Madrigal, J. A.
& al 0 0 0 1 1 1 N/A 1 1 1 0 N/A N/A N/A 6 60 90
Bauer, C. M. & al. 0 0 1 1 1 1 N/A 1 1 1 0 N/A N/A N/A 7 70 100
Bouvier, B. & al. 0 0 0 1 0 1 N/A 1 1 1 1 N/A N/A N/A 6 60 90
Bugane, F. & al. 0 0 1 1 1 1 N/A 1 1 1 1 N/A N/A N/A 8 80 80
Duc, C. & al. 1 1 0 1 0 1 N/A 1 1 1 1 N/A N/A N/A 8 80 90
Ertzgaard, P. & al. 1 0 0 1 0 1 N/A 1 1 1 1 N/A N/A N/A 7 70 100
Favre, J. & al. 0 0 0 1 0 1 N/A 1 1 0 0 N/A N/A N/A 4 40 90
Kim & al. 0 0 0 1 1 1 N/A 1 1 0 1 N/A N/A N/A 6 60 80
Mifsud NL. & al. 1 1 0 1 1 1 N/A 1 1 1 1 N/A N/A N/A 9 90 100
Schall, M. C. & al. 0 0 0 1 1 0 N/A N/A 0 0 0 N/A N/A N/A 2 22 56
Schiefer, C. & al 0 0 0 1 0 1 N/A 1 1 0 0 N/A N/A N/A 4 40 60
van den Noort, J. C & al. 1 1 0 1 1 1 N/A 1 1 1 1 N/A N/A N/A 9 90 100
Yun, W.S. & al. 0 0 0 1 0 1 N/A 1 1 0 1 N/A N/A N/A 5 50 80
112
Table S-6 : Assessment of studies examining measurement errors (absolute measures) using COSMIN checklist (box C)
Design requirements: Q1. Was the percentage of missing items given? Q2. Was there a description of how missing items were handled? Q3. Was the sample
size included in the analysis adequate? Q4. Were at least two measurements available? Q5. Were the administration's independent? Q6. Was the time interval
stated? Q7. Were patients stable in the interim period on the construct to be measured? Q8. Was the time interval appropriate? Q9. Were the test conditions
similar for both measurements? e.g. type of administration, environment, instructions. Q10. Were there any important flaws in the design or methods of the
study? Statistical methods: Q11. for CTT: Was the Standard Error of Measurement (SEM), Smallest Detectable Change (SDC) or Limits of Agreement (LoA)
calculated? [115] ; N/A: not applicable; 1 = yes; 0= n
Authors Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Total score
Total % Agreement
Akins, J. S. & al 1 1 1 1 1 1 N/A 1 1 1 1 10 100 80
Al-Amri & al. 1 1 1 1 1 1 N/A 1 1 1 1 10 100 90
Barraza Madrigal, J. A. & al 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Bergamini, E. 0 0 0 1 1 0 N/A N/A 1 1 1 5 56 100
Blair, S & al. 0 0 1 1 1 1 N/A 1 1 1 1 8 80 90
Bouvier, B. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Bolink, S. A. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Bugane, F. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Cutti, A. G. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Dowling, A. V. & al. 0 0 1 1 1 1 N/A 1 1 1 1 8 80 100
Duc, C. & al. 1 1 0 1 0 1 N/A 1 1 1 1 8 80 100
Favre, J. & al. 0 0 0 1 N/A 0 N/A 1 1 1 1 5 56 78
Jaysrichai T. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Kim & al. N/A N/A N/A N/A N/A N/A N/A N/A N/A N/A N/A N/A N/A N/A
Kumar Y. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Leardini A. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Lebel K. & al. 0 0 1 1 0 1 N/A 1 1 1 1 7 70 90
Pérez R. & al. 0 0 0 1 0 1 N/A 1 1 1 1 6 60 100
Robert-Lachaine X. & al. 0 0 0 1 1 1 N/A 1 1 1 1 7 70 100
Schall, M. C. & al. 0 0 0 1 1 0 N/A 1 1 1 1 6 60 90
Schiefer, C. & al 0 0 0 1 1 1 N/A 1 1 1 1 7 70 80
van den Noort, J. C & al. 1 1 0 1 1 1 N/A 1 1 1 1 9 90 100
Zhou, H. & al. 0 0 0 1 0 1 N/A 1 1 1 1 6 60 100
113
Table S-7 : Assessment of studies examining criterion validity using COSMIN checklist (box H)
Design requirements: 1. Was the percentage of missing items given? 2. Was there a description of how missing
items were handled? 3. Was the sample size included in the analysis adequate? 4. Can the criterion used or
Authors Q1 Q2 Q3 Q4 Q5 Q6 Q7 Total score
Total % Agreement
Akins, J. S. & al 1 1 1 1 1 1 N/A 6 100 71
Al-Amri & al. 1 1 1 1 1 1 N/A 6 100 100
Barraza Madrigal, J. A. & al 0 0 0 1 1 0 N/A 2 33 86
Bauer, C. M. & al. 0 0 1 1 1 1 N/A 4 67 86
Bergamini, E. 0 0 0 1 1 1 N/A 3 50 100
Bergmann, J. H. & al. 0 0 0 1 1 1 N/A 3 50 100
Blair, S & al. 0 0 1 1 1 0 N/A 3 50 86
Bouvier, B. & al. 0 0 1 1 1 1 N/A 4 67 86
Bolink, S. A. & al. 0 0 0 1 1 1 N/A 3 50 100
Bugane, F. & al. 0 0 0 1 1 1 N/A 3 50 100
Cloete, T. & al. 0 0 0 1 1 1 N/A 3 50 100
Cutti, A. G. & al. 1 0 1 1 1 1 N/A 5 83 71
Dejnabadi, H. & al. 1 1 0 1 1 1 N/A 5 83 71
Dowling, A. V. & al. 0 0 1 1 1 1 N/A 4 67 100
Duc, C. & al. 1 1 1 1 1 1 N/A 6 100 86
Ertzgaard, P. & al. 1 0 0 1 1 1 N/A 4 67 100
Fantozzi, S. & al. 0 0 0 1 1 1 N/A 3 50 86
Favre, J. & al. 0 0 0 1 1 1 N/A 3 50 100
Godwin A. & al 0 0 0 1 0 0 N/A 1 17 86
Gil-Agudo, A. & al. 0 0 0 1 0 1 N/A 2 33 100
Ha TH. & al. 0 0 0 1 0 1 N/A 2 33 86
Jasiewic, J.M et al. 0 0 0 1 1 1 N/A 3 50 86
Jaysrichai T. & al. 0 0 0 1 1 1 N/A 3 50 100
Kim & al. 0 0 0 1 1 1 N/A 3 50 100
Kumar Y. & al. 0 0 1 1 1 1 N/A 4 67 86
Leardini A. & al. 0 0 0 1 1 0 N/A 2 33 86
Lebel K. & al. 0 0 1 1 1 1 N/A 4 67 100
Mjosund HL. & al 1 0 1 1 1 1 N/A 5 83 86
Mifsud NL. & al. 1 1 0 1 1 1 N/A 5 83 100
Pérez R. & al. 0 0 0 1 1 1 N/A 3 50 100
Plamondon & al.. 1 0 0 1 1 1 N/A 4 67 86
Robert-Lachaine X. & al. 0 0 0 1 1 1 N/A 3 50 86
Rouhani, H. & al. 0 0 0 1 1 1 N/A 3 50 100
Saber-Sheikh, K. & al. 0 0 0 1 1 0 N/A 2 33 100
Saito, H. & al. 0 0 0 1 0 1 N/A 2 33 86
Schall, M. C. & al. 0 0 0 1 1 0 N/A 2 33 100
Takeda, R. & al. 0 0 0 1 1 1 N/A 3 50 100
Zhang, JT & al. 0 0 0 1 1 1 N/A 3 50 100
Zhou, H. & al. 0 0 0 1 1 1 N/A 3 50 100
114
employed be considered as a reasonable ‘gold standard’? 5. Were there any important flaws in the design or
methods of study? Statistical methods: 6. for continuous scores: Were correlations, or the area under the receiver
operating curve calculated? 7. for dichotomous scores: Were sensitivity and specificity determined?[115] ; N/A:
not applicable; 1 = yes; 0= no
