MétaCan
Menu
Retour à la cohorte
Enregistrement W2888545064 · doi:10.1177/0018720818794604

Using EMG Amplitude and Frequency to Calculate a Multimuscle Fatigue Score and Evaluate Global Shoulder Fatigue

2018· article· en· W2888545064 sur OpenAlexafffund
Alison C. McDonald, Daanish M. Mulla, Peter J. Keir

Notice bibliographique

RevueHuman Factors The Journal of the Human Factors and Ergonomics Society · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for Innovation
Mots-clésMuscle fatigueElectromyographyAmplitudeWork (physics)Physical medicine and rehabilitationMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The authors developed a function to quantify fatigue in multiple shoulder muscles by generating a single score using relative changes in EMG amplitude and frequency over time. BACKGROUND: Evaluating both frequency and amplitude components of the electromyographic signal provides a more complete evaluation of muscle fatigue than either variable alone; however, little effort has been made to combine time and frequency domains for the evaluation of myoelectric fatigue. METHOD: Surface EMG was measured from 14 shoulder muscles while participants performed simulated, repetitive work tasks until exhaustion. Each 60-s work cycle consisted of four tasks (dynamic push, dynamic pull, static drill, static force target matching task) scaled to participants' anthropometrics and strength. The function was generated to calculate a multimuscle fatigue score (MMFS) based on changes in EMG frequency, amplitude, and the number of muscles showing signs of myoelectric fatigue (increase in EMG amplitude; decrease in EMG frequency). RESULTS: The function was evaluated through changes in MMFS over time: first (31.8 ± 14.6), middle (47.6 ± 25.3), last (58.6 ± 35.5) reference exertions ( p < .05). The evaluation of the relationships between MMFS and changes in strength ( r = -0.510) and MMFS and perceived fatigue (RPF) ( r = 0.298) showed significant relationships over time ( p < .05). MMFS scores increased over time ( p < .05) with significant relationships between MMFS and strength changes and RPF ( p < .05). CONCLUSION AND APPLICATION: The MMFS allows for comparisons between workplace tasks, which can aid in workplace design to mitigate the development of fatigue.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,090
Tête enseignante GPT0,317
Écart entre enseignants0,227 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations50
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHuman Factors The Journal of the Human Factors and Ergonomics SocietyMême sujetMuscle activation and electromyography studiesTravaux en français237 207