Motor unit recruitment patterns 1: responses to changes in locomotor velocity and incline
Notice bibliographique
Résumé
Mammalian skeletal muscles are composed of a mixture of motor unit types, which contribute a range of mechanical and physiological properties to the muscle. For a muscle to effectively contribute to smooth, co-ordinated movement it must activate an appropriate number and combination of motor units to generate the required force over a suitable time period. Much evidence exists indicating that motor units are activated in an orderly fashion, from the slowest through to the fastest. A growing body of evidence, however, indicates that such a recruitment strategy does not always hold true. Here we investigate how motor unit recruitment patterns were influenced by changes in locomotor velocity and incline. Kinematics data and myoelectric signals were collected from three rat ankle extensor muscles during running on a treadmill at nine velocity and incline combinations. Wavelet and principal component analysis were used to simultaneously decompose the signals into time and frequency space. The relative frequency components of the signals were quantified during 20 time windows of a stride from each locomotor condition. Differences in signal frequency components existed between muscles and locomotor conditions. Faster locomotor velocities led to a relative increase in high frequency components, whereas greater inclines led to a relative increase in the low frequency components. These data were interpreted as representing changes in motor unit recruitment patterns in response to changes in the locomotor demand. Motor units were not always recruited in an orderly manner, indicating that recruitment is a multi-factorial phenomenon that is not yet fully understood.
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 | 0,000 |
| 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 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 ».