Step length and grade effects on energy absorption and impact attenuation in running
Notice bibliographique
Résumé
Abstract We sought to examine the effect of step length manipulation on energy absorption and impact attenuation during graded running. Nineteen runners (10F, 9M) ran on an instrumented treadmill at three step lengths (preferred and ±10% preferred) at each of five grades (0°, ±5°, and ±10°) while 3D motion data were captured. Speed was held constant at 3.33 m/s and step length was manipulated by syncing cadence to a metronome. Manipulating step length altered energy absorption ( p ≤ 0.002) and impact attenuation ( p < 0.0001) across all grades. Energy absorption at the knee joint was most responsive to step length manipulations [Δ range (±10%SL‐PrefSL) = 0.076–0.126 J/kg, p < 0.0001], followed by the ankle (Δ range = 0.026–0.100 J/kg, p = 0.001) and hip (Δ range = 0.008–0.018 J/kg, p < 0.006). Shortening step length reduced knee joint energy absorption at all grades with the smallest effect observed during uphill running (Δ ≥ −0.053 J/kg), while large reductions occurred during level (Δ = −0.096 J/kg) and downhill running (Δ ≥ −0.108 J/kg). Increasing step length resulted in greater knee joint energy absorption ( p ≤ 0.037) across all grades of running. Impact attenuation was greatest at long step lengths (Δ = 2.708) and lowest at short step lengths (Δ = −2.061), compared to preferred. Overall, Step length influenced the energy absorption and impact attenuation characteristics of the lower extremity during level and graded running. Adopting a shorter step length may be a useful intervention to reduce knee joint loading, particularly during downhill or level running. Elongating step length placed a greater demand on the lower extremity joints, which may expedite the development of neuromuscular fatigue.
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 | 0,001 | 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 ».