Comparison of lower limb segment forces during running on artificial turf and natural grass
Notice bibliographique
Résumé
INTRODUCTION: Artificial turf, soon after being introduced in the 1980s, became associated with an increased injury incidence in football players. While more recent generations of artificial turf have mitigated the problem, perception of the material is still widely negative. So, the decision to play the 2015 Fe'de'ration Internationale de Football Association Women s World Cup in Canada on artificial turf was met with vocal criticism by many players. One common approach is to assess injury incidence to quantify risk differences in playing surfaces. This, however, does not account for possible confounding variables or chronic injuries. Direct measurement of ground reaction forces is difficult because conventional multicamera-based motion capture and force plate equipment are limited in its use outside of dedicated laboratories. METHODS: We describe a method of generating realistic force data by using miniature load cells that are installed directly into the weight-bearing structure of the body. RESULTS: Pilot data show a significant (p<0.01) difference in peak forces on artificial turf (272% of body weight) and natural grass (229% of body weight). DISCUSSION: Invasive surgical procedures were avoided by installing the load cell into the prosthesis of an athlete with lower limb loss. As modern prosthetic devices allow a close approximation of able-bodied kinematics and kinetics, such prosthesis-based data are transferable to a general population.
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 | 0,000 | 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 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 ».