MétaCan
Menu
Retour à la cohorte
Enregistrement W2560695708 · doi:10.1115/1.4035367

Fatigue Detection Using Phase-Space Warping

2016· article· en· W2560695708 sur OpenAlexafffund
Abdullatif Alwasel, Marcus Yung, Eihab Abdel‐Rahman, Richard Wells, Carl T. Haas

Notice bibliographique

RevueJournal of Biomechanical Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesUniversity of WaterlooKing Saud University
Mots-clésKinematicsElectromyographyMetric (unit)Muscle fatigueComputer scienceEmbeddingImage warpingDynamic time warpingSimulationArtificial intelligencePhysical medicine and rehabilitationEngineeringMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

A novel application of phase-space warping (PSW) method to detect fatigue in the musculoskeletal system is presented. Experimental kinematic, force, and physiological signals are used to produce a fatigue metric. The metric is produced using time-delay embedding and PSW methods. The results showed that by using force and kinematic signals, an overall estimate of the muscle group state can be achieved. Further, when using electromyography (EMG) signals the fatigue metric can be used as a tool to evaluate muscles activation and load sharing patterns for individual muscles. The presented method will allow for fatigue evolution measurement outside a laboratory environment, which open doors to applications such as tracking the physical state of players during competition, workers in a plant, and patients undergoing in-home rehabilitation.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,621
Score d'incertitude au seuil0,694

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 Opus0,027
Tête enseignante GPT0,258
Écart entre enseignants0,231 · 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

Citations8
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Biomechanical EngineeringMême sujetNon-Invasive Vital Sign MonitoringTravaux en français237 207