Analysis of Big Data in Running Biomechanics: Application of Multivariate Analysis and Machine Learning Methods
Notice bibliographique
Résumé
Much of the biomechanical research over the past 20 years has investigated the influence of potential injury risk factors in isolation. More likely, multiple biomechanical and clinical variables interact with one another and operate as combined risk factors to the point that traditional biomechanical analysis techniques (that is, using discrete variables, such as peak angles, together with a statistical hypothesis test, such as analysis of variance) cannot capture the complexity of these relationships. To identify these complex associations, advanced multivariate analysis and machine learning methods are necessary. However, to build accurate classification and prediction models, an adequate number of samples is needed, which grows exponentially with the number of variables used in the analysis. Therefore, to directly meet this need we have developed the infrastructure and established a worldwide and growing network of clinical and research partners all linked through the world's first automated 3-dimensional (3D) data collection and analysis system: 3D GAIT. Similarly, traditional data analytics may not be able to handle these large volumes of data. Hence, the appropriate multivariate analysis and machine learning methods must be developed. This paper begins with a brief introduction to our 3D data collection system, followed by a discussion of existing multivariate and machine learning methods that can be applied to big data analytics. Next, we provide a comprehensive overview of our proposed methods for 3D kinematic data during running from our database. Finally, important challenges and future research directions are presented.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».