MétaCan
Menu
Retour à la cohorte
Enregistrement W2099682043 · doi:10.12691/ajssm-2-4-8

Muscular Activity of Lower Extremity Muscles Running on Treadmill Compared with Different Overground Surfaces

2014· article· en· W2099682043 sur OpenAlexaff
Lin Wang, Youlian Hong, Jing Xian Li

Notice bibliographique

RevueAmerican journal of sports science and medicine · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésBicepsTreadmillMedicinePhysical medicine and rehabilitationKinematicsLeg muscleElectromyographyBiceps femoris muscleRectus femoris musclePhysical therapyAnatomyPhysics

Résumé

récupéré en direct d'OpenAlex

The objective of this study is to compare the muscular activity of lower extremity muscles while running on treadmill and on overground surfaces. A total of 13 experienced heel-to-toe runners participated in the study. Electromyographic (EMG) data of four lower extremity muscles, including rectus femoris, tibialis anterior, biceps femoris, and gastrocnemius, were collected using the Noraxon EMG system while running on a treadmill and on overground surfaces at a running speed of 3.8 m/s. The obtained data were then analyzed. In this study, throughout the stance phase, the EMG values in the rectus femoris (P<0.01) and the biceps femoris (P<0.05) were higher while running on overground surfaces than those on a treadmill. The EMG values in the rectus femoris (P<0.05) and the biceps femoris (P<0.05) were also higher on concrete than those on grass in the stance phase. Results showed that the muscle activity was significantly different in treadmill running than in overground running. The difference in muscle activity while running on different overground surfaces was also found in this study. Kinematic adjustment of the lower extremity may explain the EMG difference while running on different surfaces.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,009
Tête enseignante GPT0,228
Écart entre enseignants0,218 · 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

Citations24
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican journal of sports science and medicineMême sujetMuscle activation and electromyography studiesTravaux en français237 207