MétaCan
Menu
Retour à la cohorte
Enregistrement W2465168646 · doi:10.1098/rsbl.2015.1041

Muscle shortening velocity depends on tissue inertia and level of activation during submaximal contractions

2016· article· en· W2465168646 sur OpenAlexafffund
Stephanie A. Ross, James M. Wakeling

Notice bibliographique

RevueBiology Letters · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésInertiaMuscle contractionInertial frame of referenceContraction (grammar)Work (physics)Muscle massLeg muscleAnatomyMechanicsBiologyBiomedical engineeringPhysicsPhysical medicine and rehabilitationMedicineEndocrinologyClassical mechanicsThermodynamics

Résumé

récupéré en direct d'OpenAlex

In order to perform external work, muscles must do additional internal work to deform their tissue, and in particular, to overcome the inertia due to their internal mass. However, the contribution of the internal mass within a muscle to the mechanical output of that muscle has only rarely been studied. Here, we use a dynamic, multi-element Hill-type muscle model to examine the effects of the inertial mass within muscle on its contractile performance. We find that the maximum strain-rate of muscle is slower for lower activations and larger muscle sizes. As muscle size increases, the ability of the muscle to overcome its inertial load will decrease, as muscle tension is proportional to cross-sectional area and inertial load is proportional to mass. Thus, muscles that are larger in size will have a higher inertial cost to contraction. Similarly, when muscle size and inertial load are held constant, decreasing muscle activation will increase inertial cost to contraction by reducing muscle tension. These results show that inertial loads within muscle contribute to a slowing of muscle contractile velocities (strain-rates), particularly at the submaximal activations that are typical during animal locomotion.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,682
Score d'incertitude au seuil0,286

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,029
Tête enseignante GPT0,237
Écart entre enseignants0,208 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations32
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiology LettersMême sujetMuscle activation and electromyography studiesTravaux en français237 207