Connecting the legs with a spring improves human running economy
Notice bibliographique
Résumé
Human running is inefficient. For every 10 calories burned, less than 1 is needed to maintain a constant forward velocity - the remaining energy is, in a sense, wasted. The majority of this wasted energy is expended to support the bodyweight and redirect the center of mass during the stance phase of gait. An order of magnitude less energy is expended to brake and accelerate the swinging leg. Accordingly, most devices designed to increase running efficiency have targeted the costlier stance phase of gait. An alternative approach is seen in nature: spring-like tissues in some animals and humans are believed to assist leg swing. While it has been assumed that such a spring simply offloads the muscles that swing the legs, thus saving energy, this mechanism has not been experimentally investigated. Here, we show that a spring, or 'exotendon', connecting the legs of a human reduces the energy required for running by 6.4±2.8%, and does so through a complex mechanism that produces savings beyond those associated with leg swing. The exotendon applies assistive forces to the swinging legs, increasing the energy optimal stride frequency. Runners then adopt this frequency, taking faster and shorter strides, and reduce the joint mechanical work to redirect their center of mass. Our study shows how a simple spring improves running economy through a complex interaction between the changing dynamics of the body and the adaptive strategies of the runner, highlighting the importance of considering each when designing systems that couple human and machine.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».