Soft tissue deformations explain most of the mechanical work variations of human walking
Notice bibliographique
Résumé
Humans perform mechanical work during walking, some by leg joints actuated by muscles, and some by passive, dissipative soft tissues. Dissipative losses must be restored by active muscle work, potentially in amounts sufficient to cost substantial metabolic energy. The most dissipative, and therefore costly, walking conditions might be predictable from the pendulum-like dynamics of the legs. If this behavior is systematic, it may also predict the work distribution between active joints and passive soft tissues. We therefore tested whether the overall negative work of walking, and the fraction owing to soft tissue dissipation, are both predictable by a simple dynamic walking model across a wide range of conditions. The model predicts whole-body negative work from the leading leg's impact with the ground (termed the collision), to increase with the squared product of walking speed and step length. We experimentally tested this in humans (N=9) walking in 26 different combinations of speed (0.7-2.0 m s-1) and step length (0.5-1.1 m), with recorded motions and ground reaction forces. Whole-body negative collision work increased as predicted (R2=0.73), with a consistent fraction of approximately 63% (R2=0.88) owing to soft tissues. Soft tissue dissipation consistently accounted for approximately 56% of the variation in total whole-body negative work, across a wide range of speed and step length combinations. During typical walking, active work to restore dissipative losses could account for 31% of the net metabolic cost. Soft tissue dissipation, not included in most biomechanical studies, explains most of the variation in negative work of walking, and could account for a substantial fraction of the metabolic cost.
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 ».