Lower-limb joint mechanics during maximum acceleration sprinting
Notice bibliographique
Résumé
We explored how humans adjust the stance phase mechanical function of their major lower-limb joints (hip, knee, ankle) during maximum acceleration sprinting. Experimental data (motion capture and ground reaction force (GRF)) were recorded from eight participants as they performed overground sprinting trials. Six alternative starting locations were used to obtain a dataset that incorporated the majority of the acceleration phase. Experimental data were combined with an inverse-dynamics-based analysis to calculate lower-limb joint mechanical variables. As forward acceleration magnitude decreased, the vertical GRF impulse remained nearly unchanged whereas the net horizontal GRF impulse became smaller due to less propulsion and more braking. Mechanical function was adjusted at all three joints, although more dramatic changes were observed at the hip and ankle. The impulse from the ankle plantar-flexor moment was almost always larger than those from the hip and knee extensor moments. Forward acceleration magnitude was linearly related to the impulses from the hip extensor moment (R2=0.45) and the ankle plantar-flexor moment (R2=0.47). Forward acceleration magnitude was also linearly related to the net work done at all three joints, with the ankle displaying the strongest relationship (R2=0.64). The ankle produced the largest amount of positive work (1.55±0.17 J/kg) of all the joints, and provided a significantly greater proportion of the summed amount of lower-limb positive work as running speed increased and forward acceleration magnitude decreased. We conclude that the hip and especially the ankle represent key sources of positive work during the stance phase of maximum acceleration sprinting.
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 ».