Objectively Differentiating Movement Patterns between Elite and Novice Athletes
Notice bibliographique
Résumé
INTRODUCTION: Movement screens are frequently used to identify abnormal movement patterns that may increase risk of injury or hinder performance. Abnormal patterns are often detected visually based on the observations of a coach or clinician. Quantitative or data-driven methods can increase objectivity, remove issues related to interrater reliability and offer the potential to detect new and important features that may not be observable by the human eye. Applying principal component analysis (PCA) to whole-body motion data may provide an objective data-driven method to identify unique and statistically important movement patterns, an important first step to objectively characterize optimal patterns or identify abnormalities. Therefore, the primary purpose of this study was to determine if PCA could detect meaningful differences in athletes' movement patterns when performing a non-sport-specific movement screen. As a proof of concept, athlete skill level was selected a priori as a factor likely to affect movement performance. METHODS: Motion capture data from 542 athletes performing seven dynamic screening movements (i.e., bird-dog, drop-jump, T-balance, step-down, L-hop, hop-down, and lunge) were analyzed. A PCA-based pattern recognition technique and a linear discriminant analysis with cross-validation were used to determine if skill level could be predicted objectively using whole-body motion data. RESULTS: Depending on the movement, the validated linear discriminant analysis models accurately classified 70.66% to 82.91% of athletes as either elite or novice. CONCLUSIONS: We have provided proof that an objective data-driven method can detect meaningful movement pattern differences during a movement screening battery based on a binary classifier (i.e., skill level in this case). Improving this method can enhance screening, assessment, and rehabilitation in sport, ergonomics, and medicine.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 ».