Influence of dynamic factors on calculating cumulative low back loads
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study examined the error induced in estimating cumulative low back loading for exposure to dynamic manual materials handling tasks by using either static or quasi-dynamic biomechanical models when compared to a dynamic model. Ten male subjects performed three sagittal plane lifting tasks at three different lifting speeds and using three different hand loads. Digitized video recordings and measured hand forces were collected in order to calculate cumulative L4/L5 spinal loading (compression, moment, joint shear, and reaction shear) using rigid link and single muscle equivalent biomechanical models. Cumulative loading was calculated using three modeling approaches: static, quasi-dynamic, and dynamic. The calculation of cumulative loading using the dynamic model was set as the "gold standard" and error in the static and quasi-dynamic approaches was determined by comparison with the dynamic model. The use of a quasi-dynamic model resulted in an average error of −2.76% across all 10 subjects, 3 tasks, 3 lifting speeds and 3 masses. The static model had an average error of −12.55%. The error in both modeling approaches was significantly effected by the type of task performed, mass lifted, speed of lift, and model variable examined indicating that neither model produced consistent errors across the lifting parameters. The small errors associated with the quasi-dynamic model indicates that it holds promise as a method to reduce the amount of data required to estimate cumulative loading yet still preserve the dynamic loading exposure of a manual materials handling task.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle