Towards a wearable monitoring tool for in‐field ice hockey skating performance analysis
Notice bibliographique
Résumé
Abstract The capturing of movements by means of wearable sensors has become increasingly popular in order to obtain sport performance measures during training or competition. The purpose of the current study was to investigate the feasibility of using body worn accelerometers to identify previous highlighted performance related biomechanical changes in terms of substantial differences across skill levels and skating phases. Twenty‐two ice hockey players of different caliber were equipped with two 3D accelerometers, located on the skate and the waist, as they performed 30 m forward skating sprints on an ice rink. Two measures of the temporal stride characteristics (contact time and stride time) and one measure of the propulsive power (stride propulsion) of a skating stride were calculated and checked for discriminating effects across (i) skill levels and (ii) sprint phases as well as for their (iii) strength of association with the sprint performance (total sprint time). High caliber players showed an increased stride propulsion (+22%, P < 0.05) and shorter contact time (−5%, P < 0.05). All three analysed variables highlighted substantial biomechanical differences between the accelerative and constant velocity phases ( P < 0.05). Stride propulsion of acceleration strides primarily correlated to total sprint time ( r = −0.57, P < 0.05). The results demonstrate the potential of accelerometers to assess skating technique elements such as contact time or elements characterizing the propulsive power such as center of mass acceleration, to gauge skating performance. Thus, the findings of this study might contribute to establishing wearable sensors for in‐field ice hockey skating performance analysis.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».