Application of the LaGrange Polynomial in Skeletal Muscle Fatigue Analysis
Notice bibliographique
Résumé
The percentage of decrement in torque and the number of serial contractions are mutually exclusive methodological controls in the study of muscular fatigue. This paper examines the feasibility of using the LaGrange polynomial in the analysis of voluntary muscular fatigue patterns. Twenty-one men (ages 20-60 years) reported to the orthopedic biomechanics laboratory on 2 days separated by 4 months. During both sessions, participants completed three maximal isokinetic (180 deg x s(-1)) contractions of the knee extensors to serve as baseline, before starting the fatigue protocol. The fatigue protocol consisted of serial contractions until a 50% strength decrement was reached. The LaGrange polynomial was first used to interpolate the individual fatigue pattern for each participant into 15 data points (trials). Data analysis was then conducted on these 15 data points. Intraclass correlation analysis of variance showed that the reliability of baseline torque was very good (.93). Baseline torque, the average of three trials, exhibited a 5.4 Nm (6%) increase from the first to second test session (p < .05). The mean level of torque, average of the 15-point fatigue pattern, also increased 7.5 Nm (15%) on the second test session (p < .05). The classic torque deficit for the first trial of a fatigue series was preserved by the interpolation method. Serial contractions resulted in an average decrease in torque of 29.5 Nm (50%) from the first to last trial (p <.05). The interpolation method also retained the linear and quadratic trend components commonly observed for isometric and isokinetic fatigue patterns. The two trend components accounted for 94.7% of the total trial variance. It was concluded that the LaGrange polynomial used to interpolate fatigue patterns to fewer data points was successful.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».