How to compare knee kinetics at different walking speeds?
Notice bibliographique
Résumé
BACKGROUND: Walking speed is a confounding factor in biomechanical analyses of gait, but still many studies compare gait biomechanics at comfortable walking speed (CWS) that is likely to differ between groups or conditions. To identify gait deviation unrelated to walking speed, methods are needed to correct biomechanical data over the gait cycle for walking speed. RESEARCH QUESTION: How to compare knee kinetics over the gait cycle at different walking speeds? METHODS: 22 asymptomatic subjects walked on a dual-belt treadmill at CWS and 4 fixed speeds. Knee moments in sagittal (KFM) and frontal plane (KAM) were calculated via inverse dynamics. The net moment differences between CWS and fixed speed were expressed as a root-mean-square error (RMSE) normalized to the range of the variable. Two methods to correct for walking speed were compared. In method 1, KFM and KAM values were estimated based on interpolation between speeds at each percentage of the gait cycle. In method 2, principal component analysis was used to extract speed related features to reconstruct KFM and KAM at the speed of interest. The accuracy of both methods was tested using a leave-one-out cross validation. RESULTS: Walking speed influenced the magnitude and shape of KFM and KAM. To account for these speed influences using both methods, leave-one-out cross validation showed low normalized RMSE (< 5 %), with little difference between the two methods. RMSE for both reconstruction methods were up to 60 % lower than the RMSE between CWS and fixed speed. SIGNIFICANCE: Both methods could accurately correct knee kinetics over the gait cycle for the effects of walking speed. Walking speed dependency should be incorporated in each gait laboratory's reference dataset to be able to identify gait deviations unrelated to gait speed.
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 | 0,001 |
| 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 ».