Classification of higher- and lower-mileage runners based on running kinematics
Notice bibliographique
Résumé
BACKGROUND: Running-related overuse injuries can result from the combination of extrinsic (e.g., running mileage) and intrinsic risk factors (e.g., biomechanics and gender), but the relationship between these factors is not fully understood. Therefore, the first purpose of this study was to determine whether we could classify higher- and lower-mileage runners according to differences in lower extremity kinematics during the stance and swing phases of running gait. The second purpose was to subgroup the runners by gender and determine whether we could classify higher- and lower-mileage runners in male and female subgroups. METHODS: = 40 (29 females)). Three-dimensional kinematic data were collected during 60 s of treadmill running at a self-selected speed (2.61 ± 0.23 m/s). A support vector machine classifier identified kinematic differences between higher- and lower-mileage groups based on principal component scores. RESULTS: Higher- and lower-mileage runners (both genders) could be separated with 92.59% classification accuracy. When subgrouping by gender, higher- and lower-mileage female runners could be separated with 89.83% classification accuracy, and higher- and lower-mileage male runners could be separated with 100% classification accuracy. CONCLUSION: These results demonstrate there are distinct kinematic differences between subgroups related to both mileage and gender, and that these factors need to be considered in future research.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».