Calculating Individual and Total Muscular Translational Stiffness: A Knee Example
Notice bibliographique
Résumé
Research suggests that the knee joint may be dependent on an individual muscle's translational stiffness (KT) of the surrounding musculature to prevent or compensate for ligament tearing. Our primary goal was to develop an equation that calculates KT. We successfully derived such an equation that requires as input: a muscle's coordinates, force, and stiffness acting along its line of action. This equation can also be used to estimate the total joint muscular KT, in three orthogonal axes (AP: anterior-posterior; SI: superior-inferior; ML: medial-lateral), by summating individual muscle KT contributions for each axis. We then compared the estimates of our equation, using a commonly used knee model as input, to experimental data. Our total muscular KT predictions (44.0 N/mm), along the anterior/posterior axis (AP), matched the experimental data (52.2 N/mm) and was well within the expected variability (22.6 N/mm). We then estimated the total and individual muscular KT in two postures (0 deg and 90 deg of knee flexion), with muscles mathematically set to full activation. For both postures, total muscular KT was greatest along the SI-axis. The extensors provided the greatest KT for each posture and axis. Finally, we performed a sensitivity analysis to explore the influence of each input on the equation. It was found that pennation angle had the largest effect on SI KT, while muscle line of action coordinates largely influenced AP and ML muscular KT. This equation can be easily embedded within biomechanical models to calculate the individual and total muscular KT for any joint.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».