MétaCan
Menu
Retour à la cohorte
Enregistrement W2271940360 · doi:10.1080/10400435.2016.1140691

Analysis of terrain effects on the interfacial force distribution at the hand and forearm during crutch gait

2016· article· en· W2271940360 sur OpenAlexafffund
Emma Rogers, Matthew Leineweber, Jan Andrysek

Notice bibliographique

RevueAssistive Technology · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensHolland Bloorview Kids Rehabilitation HospitalUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCrutchGaitPhysical medicine and rehabilitationForearmTerrainBiomechanicsSimulationMedicineComputer scienceEngineeringStructural engineeringAnatomyGeography

Résumé

récupéré en direct d'OpenAlex

Forces transferred to the upper body during crutch use can lead to both short-term and long-term injuries, including joint pain, crutch palsy, and over-use injuries. While this force transmission has been studied in controlled laboratory settings, it is unclear how these forces are affected by irregular terrains commonly encountered during community ambulation. The purpose of this study was to determine the effects of walking speed and uneven terrain on the load magnitude, distribution, and rate of loading at the human-crutch contact surfaces. Our results show that the rates of loading were significantly increased with higher walking speeds and while negotiating certain irregular terrains, despite there being no apparent effect on the peak force transmission, suggesting load rate may be a more appropriate metric for assessing terrain effects on crutch gait. Furthermore, irrespective of the type of terrain and walking condition, the largest compressive forces were found to reside in the carpal-tunnel region of the hand, and may therefore be a primary contributor to carpal-tunnel injury.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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 Opus0,005
Tête enseignante GPT0,204
Écart entre enseignants0,199 · 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

Citations4
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAssistive TechnologyMême sujetMuscle activation and electromyography studiesTravaux en français237 207