Wearables, Biomechanical Feedback, and Human Motor-Skills’ Learning & Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biomechanical feedback is a relevant key to improving sports and arts performance. Yet, the bibliometric keyword analysis on Web of Science publications reveals that, when comparing to other biofeedback applications, the real-time biomechanical feedback application lags far behind in sports and arts practice. While real-time physiological and biochemical biofeedback have seen routine applications, the use of real-time biomechanical feedback in motor learning and training is still rare. On that account, the paper aims to extract the specific research areas, such as three-dimensional (3D) motion capture, anthropometry, biomechanical modeling, sensing technology, and artificial intelligent (AI)/deep learning, which could contribute to the development of the real-time biomechanical feedback system. The review summarizes the past and current state of biomechanical feedback studies in sports and arts performance; and, by integrating the results of the studies with the contemporary wearable technology, proposes a two-chain body model monitoring using six IMUs (inertial measurement unit) with deep learning technology. The framework can serve as a basis for a breakthrough in the development. The review indicates that the vital step in the development is to establish a massive data, which could be obtained by using the synchronized measurement of 3D motion capture and IMUs, and that should cover diverse sports and arts skills. As such, wearables powered by deep learning models trained by the massive and diverse datasets can supply a feasible, reliable, and practical biomechanical feedback for athletic and artistic training.
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.
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 | 0,000 | 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 découle