The Effect of Cycling While Typing on Patterns of Upper Body Muscle Activation
Notice bibliographique
Résumé
OBJECTIVE: To investigate the effect of one's sex and pedaling intensity on upper body muscle activation patterns during typing while cycling. BACKGROUND: Females are at a higher risk for computer work-related musculoskeletal disorders, and mobile workstations have been suggested to induce healthier muscular patterns compared with sitting. However, the neuromuscular characteristics of performing computer work in a cycling workstation have not been investigated. METHOD: Twenty-two participants (10 females) completed a 60-min computer typing task while pedaling on a cycle ergometer at two different intensities (25%, 4% heart rate reserve). Surface electromyography (EMG) was recorded from seven muscles of the upper body. Effects of time, sex, and intensity were assessed for muscle activation (RMS), activation variability (CV), and normalized mutual information (NMI) via generalized estimating equations. RESULTS: With time, neck/shoulder CV increased in males during higher pedaling intensity, whereas in females it decreased during lower intensity. In females, RMS of neck/shoulder and NMI of neck/shoulder muscle pairs were lower, whereas forearm RMS was 34.2% higher with higher intensity cycling compared with lower intensity. Lower back RMS decreased 28.3% in the initial half of the task in females, but in males it increased 14.4% in the later half. CONCLUSION AND APPLICATION: Cycling workstation showed a sex- and intensity-specific EMG response. These differing responses should be considered when implementing the use of cycling workstation and may be important for preventing/managing sex-specific muscle fatigue and musculoskeletal disorders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».