A Wide-Range, Wireless Wearable Inertial Motion Sensing System for Capturing Fast Athletic Biomechanics in Overhead Pitching
Notice bibliographique
Résumé
The standard technology used to capture motion for biomechanical analysis in sports has employed marker-based optical systems. While these systems are excellent at providing positional information, they suffer from a limited ability to accurately provide fundamental quantities such as velocity and acceleration (hence forces and torques) during high-speed motion typical of many sports. Conventional optical systems require considerable setup time, can exhibit sensitivity to extraneous light, and generally sample too slowly to accurately capture extreme bursts of athletic activity. In recent years, wireless wearable sensors have begun to penetrate devices used in sports performance assessment, offering potential solutions to these limitations. This article, after determining pressing problems in sports that such sensors could solve and surveying the state-of-the-art in wearable motion capture for sports, presents a wearable dual-range inertial and magnetic sensor platform that we developed to enable an end-to-end investigation of high-level, very wide dynamic-range biomechanical parameters. We tested our system on collegiate and elite baseball pitchers, and have derived and measured metrics to glean insight into performance-relevant motion. As this was, we believe, the first ultra-wide-range wireless multipoint and multimodal inertial and magnetic sensor array to be used on elite baseball pitchers, we trace its development, present some of our results, and discuss limitations in accuracy from factors such as soft-tissue artifacts encountered with extreme motion. In addition, we discuss new metric opportunities brought by our systems that may be relevant for the assessment of micro-trauma in baseball.
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 ».