MétaCan
Menu
Retour à la cohorte
Enregistrement W1985300251 · doi:10.1115/1.1590359

Analysis of Body Segment Parameter Differences Between Four Human Populations and the Estimation Errors of Four Popular Mathematical Models

2003· article· en· W1985300251 sur OpenAlexafffund
Jennifer L. Durkin, James J. Dowling

Notice bibliographique

RevueJournal of Biomechanical Engineering · 2003
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensMcMaster University
Organismes subventionnairesMcMaster University
Mots-clésMathematicsRegression analysisPopulationStatisticsLinear regressionRegressionDemography

Résumé

récupéré en direct d'OpenAlex

Calculating the kinetics of motion using inverse or forward dynamics methods requires the use of accurate body segment inertial parameters. The methods available for calculating these body segment parameters (BSPs) have several limitations and a main concern is the applicability of predictive equations to several different populations. This study examined the differences in BSPs between 4 human populations using dual energy x-ray absorptiometry (DEXA), developed linear regression equations to predict mass, center of mass location (CM) and radius of gyration (K) in the frontal plane on 5 body segments and examined the errors produced by using several BSP sources in the literature. Significant population differences were seen in all segments for all populations and all BSPs except hand mass, indicating that population specific BSP predictors are needed. The linear regression equations developed performed best overall when compared to the other sources, yet no one set of predictors performed best for all segments, populations or BSPs. Large errors were seen with all models which were attributed to large individual differences within groups. Equations which account for these differences, including measurements of limb circumferences and breadths may provide better estimations. Geometric models use these parameters, however the models examined in this study did not perform well, possibly due to the assumption of constant density or the use of an overly simple shape. Creating solids which account for density changes or which mimic the mass distribution characteristics of the segment may solve this problem. Otherwise, regression equations specific for populations according to age, gender, race, and morphology may be required to provide accurate estimations of BSPs for use in kinetic equations of motion.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,084
Tête enseignante GPT0,307
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations159
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Biomechanical EngineeringMême sujetBody Composition Measurement TechniquesTravaux en français237 207