Comparison of Gait Pattern in Athletes with ACL Deficiency and Healthy Individual using an Accelerometer
Notice bibliographique
Résumé
Background: In athletes with anterior cruciate ligament (ACL) deficiencies could assess functional capabilities with different instruments such as use of a camera in vivo situation. However, these methods have suffered from a large number of limitations such as inability to be repeatable and complexity in technique. Objective: The main purpose of this study was to compare gait pattern of the athletes with ACL injury and able-bodied subjects using an accelerometer. Method: A three-dimensional accelerometer was placed over the tibia tuberosity of 20 healthy and 20 individuals with ACL-deficiencies (ACLD). After walking on the treadmill, the principal components of the acceleration data were calculated using MATLAB software. Results: In this study, Principle Component analysis was used for statistical analysis. The results indicated that subjects with ACL deficiency have different gait pattern compared to the control group. The major differences between stride trajectories of the two groups were at the end of mid-swing and the beginning of terminal swing phases in vertical axis. ACL deficient subjects exhibited different gait patterns during mid and terminal stance phases in anterior- posterior axis compared with normal controls. Conclusions: The difference in gait between subjects with ACL deficiency and healthy subjects are depends on variation in the amount of knee flexion and tibia rotation that could be altered to motor recruitment.
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 | 0,001 |
| 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 ».