Effect of Expertise on Shoulder and Upper Limb Kinematics, Electromyography, and Estimated Muscle Forces During a Lifting Task
Notice bibliographique
Résumé
OBJECTIVE: To highlight the working strategies used by expert manual handlers compared with novice manual handlers, based on recordings of shoulder and upper limb kinematics, electromyography (EMG), and estimated muscle forces during a lifting task. BACKGROUND: Novice workers involved in assembly, manual handling, and personal assistance tasks are at a higher risk of upper limb musculoskeletal disorders (MSDs). However, few studies have investigated the effect of expertise on upper limb exposure during workplace tasks. METHOD: Sixteen experts in manual handling and sixteen novices were equipped with 10 electromyographic electrodes to record shoulder muscle activity during a manual handling task consisting of lifting a box (8 or 12 kg), instrumented with three six-axis force sensors, from hip to eye level. Three-dimensional trunk and upper limb kinematics, hand-to-box contact forces, and EMG were recorded. Then, joint contributions, activation levels, and muscle forces were calculated and compared between groups. RESULTS: Sternoclavicular-acromioclavicular joint contributions were higher in experts at the beginning of the movement, and in novices at the end, whereas the opposite was observed for the glenohumeral joint. EMG activation levels were 37% higher for novices but predicted muscle forces were higher in experts. CONCLUSION: This study highlights significant differences between experts and novices in shoulder kinematics, EMG, and muscle forces; hence, providing effective work guidelines to ensure the development of a safe handling strategy is important. APPLICATION: Shoulder kinematics, EMG, and muscle forces could be used as ergonomic tools to identify inappropriate techniques that could increase the prevalence of shoulder injuries.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».