Can changes in midsole bending stiffness of shoes affect the onset of joint work redistribution during a prolonged run?
Notice bibliographique
Résumé
PURPOSE: This study aimed to investigate if changing the midsole bending stiffness of athletic footwear can affect the onset of lower limb joint work redistribution during a prolonged run. METHODS: Fifteen trained male runners (10-km time of <44 min) performed 10-km runs at 90% of their individual speed at lactate threshold (i.e., when change in lactate exceeded 1 mmol/L during an incremental running test) in a control and stiff shoe condition on 2 occasions. Lower limb joint kinematics and kinetics were measured using a motion capture system and a force-instrumented treadmill. Data were acquired every 500 m. RESULTS: Prolonged running resulted in a redistribution of positive joint work from distal to proximal joints in both shoe conditions. Compared to the beginning of the run, less positive work was performed at the ankle (approximately 9%; p ≤ 0.001) and more positive work was performed at the knee joint (approximately 17%; p ≤ 0.001) at the end of the run. When running in the stiff shoe condition, the onset of joint work redistribution at the ankle and knee joints occurred at a later point during the run. CONCLUSION: A delayed onset of joint work redistribution in the stiff condition may result in less activated muscle volume, because ankle plantar flexor muscles have shorter muscles fascicles and smaller cross-sectional areas compared to knee extensor muscles. Less active muscle volume could be related to previously reported decreases in metabolic cost when running in stiff footwear. These results contribute to the notion that footwear with increased stiffness likely results in reductions in metabolic cost by delaying joint work redistribution from distal to proximal joints.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».