Gender and Age-Related Differences in Bilateral Lower Extremity Mechanics during Treadmill Running
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
Female runners have a two-fold risk of sustaining certain running-related injuries as compared to their male counterparts. Thus, a comprehensive understanding of the sex-related differences in running kinematics is necessary. However, previous studies have either used discrete time point variables and inferential statistics and/or relatively small subject numbers. Therefore, the first purpose of this study was to use a principal component analysis (PCA) method along with a support vector machine (SVM) classifier to examine the differences in running gait kinematics between female and male runners across a large sample of the running population as well as between two age-specific sub-groups. Bilateral 3-dimensional lower extremity gait kinematic data were collected during treadmill running. Data were analysed on the complete sample (n = 483: female 263, male 220), a younger subject group (n = 56), and an older subject group (n = 51). The PC scores were first sorted by the percentage of variance explained and we also employed a novel approach wherein PCs were sorted based on between-gender statistical effect sizes. An SVM was used to determine if the sex and age conditions were separable and classifiable based on the PCA. Forty PCs explained 84.74% of the variance in the data and an SVM classification accuracy of 86.34% was found between female and male runners. Classification accuracies between genders for younger subjects were higher than a subgroup of older runners. The observed interactions between age and gender suggest these factors must be considered together when trying to create homogenous sub-groups for research purposes.
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