Quantifying Forearm Soft Tissue Motion from Massless Skin Markers following Forward Fall Hand Impacts
Notice bibliographique
Résumé
Background: Investigating soft tissue motion related to impact events is important for understanding how the body mitigates potentially injurious forces through shock attenuation. Objectives: The aims of this study were to: 1) quantify displacement and velocity of the forearm soft tissues following forward fall impacts; and 2) compare two massless skin marker designs (single layer, uniform (SLU) design; stacked, non-uniform (SNU) design) in terms of how well they could be tracked over varying skin pigmentations using automated motion capture software. Methods: Two participant groups (skin pigmentation: light – 9F, 8M; dark – 9F, 6M) underwent simulated forward fall hand impacts for each marker design using a torso-release apparatus. Marker positions associated with planar motion of forearm soft tissues during impact were automatically tracked (ProAnalyst®) in the proximal-distal and anterior-posterior axes from high speed recordings (5000 f/s). Mean peak displacements and velocities for eight forearm regions were then calculated (LabVIEW®). Results: Overall, soft tissue displacement and velocity increased from distal to proximal forearm regions. The greatest displacement (1.47 cm) and velocity (112.8 cm/s) occurred distally toward the wrist. Soft tissue impact responses between sexes did not differ, on average (p > 0.05). The SLU and SNU markers produced different kinematic values (p < 0.05); however, the magnitudes of, and consequently meaningfulness of these statistical differences for automatically tracking soft tissue motion, were negligible (displacement: ≤ 0.05 cm; velocity: ≤ 2.5 cm/s). Conclusions: Forearm soft tissue motion was successfully quantified for forward fall hand impacts; both marker designs were deemed functionally equivalent.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».