Towards Detecting Biceps Muscle Fatigue in Gym Activity Using Wearables
Notice bibliographique
Résumé
Fatigue is a naturally occurring phenomenon during human activities, but it poses a bigger risk for injuries during physically demanding activities, such as gym activities and athletics. Several studies show that bicep muscle fatigue can lead to various injuries that may require up to 22 weeks of treatment. In this work, we adopt a wearable approach to detect biceps muscle fatigue during a bicep concentration curl exercise as an example of a gym activity. Our dataset consists of 3000 bicep curls from twenty middle-aged volunteers at ages between 27 to 30 and Body Mass Index (BMI) ranging between 18 to 28. All volunteers have been gym-goers for at least 1 year with no records of chronic diseases, muscle, or bone surgeries. We encountered two main challenges while collecting our dataset. The first challenge was the dumbbell's suitability, where we found that a dumbbell weight (4.5 kg) provides the best tradeoff between longer recording sessions and the occurrence of fatigue on exercises. The second challenge is the subjectivity of RPE, where we average the reported RPE with the measured heart rate converted to RPE. We observed from our data that fatigue reduces the biceps' angular velocity; therefore, it increases the completion time for later sets. We extracted a total of 33 features from our dataset, which have been reduced to 16 features. These features are the most overall representative and correlated with bicep curl movement, yet they are fatigue-specific features. We utilized these features in five machine learning models, which are Generalized Linear Models (GLM), Logistic Regression (LR), Random Forests (RF), Decision Trees (DT), and Feedforward Neural Networks (FNN). We found that using a two-layer FNN achieves an accuracy of 98% and 88% for subject-specific and cross-subject models, respectively. The results presented in this work are useful and represent a solid start for moving into a real-world application for detecting the fatigue level in bicep muscles using wearable sensors as we advise athletes to take fatigue into consideration to avoid fatigue-induced 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) | 0,000 | 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 ».