MétaCan
Menu
Retour à la cohorte
Enregistrement W2339543661 · doi:10.1186/s40064-016-2067-y

Biomechanical modeling as a practical tool for predicting injury risk related to repetitive muscle lengthening during learning and training of human complex motor skills

2016· article· en· W2339543661 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueSpringerPlus · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSports injuries and prevention
Établissements canadiensUniversity of Lethbridge
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLimitingPhysical medicine and rehabilitationEccentricMedicineMuscle tensionPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Previous studies have shown that muscle repetitive stress injuries (RSIs) are often related to sport trainings among young participants. As such, understanding the mechanism of RSIs is essential for injury prevention. One potential means would be to identify muscles in risk by applying biomechanical modeling. By capturing 3D movements of four typical youth sports and building the biomechanical models, the current study has identified several risk factors related to the development of RSIs. The causal factors for RSIs are the muscle over-lengthening, the impact-like (speedy increase) eccentric tension in muscles, imbalance between agonists and antagonists, muscle loading frequency and muscle strength. In general, a large range of motion of joints would lead to over-lengthening of certain small muscles; Limb's acceleration during power generation could cause imbalance between agonists and antagonists; a quick deceleration of limbs during follow-throughs would induce an impact-like eccentric tension to muscles; and even at low speed, frequent muscle over-lengthening would cause a micro-trauma accumulation which could result in RSIs in long term. Based on the results, the following measures can be applied to reduce the risk of RSIs during learning/training in youth participants: (1) stretching training of muscles at risk in order to increase lengthening ability; (2) dynamic warming-up for minimizing possible imbalance between agonists and antagonists; (3) limiting practice times of the frequency and duration of movements requiring strength and/or large range of motion to reducing micro-trauma accumulation; and (4) allowing enough repair time for recovery from micro-traumas induced by training (individual training time). Collectively, the results show that biomechanical modeling is a practical tool for predicting injury risk and provides an effective way to establish an optimization strategy to counteract the factors leading to muscle repetitive stress injuries during motor skill learning and training.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,664
Score d'incertitude au seuil0,613

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
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)0,0000,000

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 Opus0,022
Tête enseignante GPT0,337
Écart entre enseignants0,315 · 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