Correlating Skeletal Muscle Output Force and Intramuscular Pressure Via a Three-Dimensional Finite Element Muscle Model
Notice bibliographique
Résumé
The inclusion of muscle pressure in muscle models may have important implications in biomechanics. This notion builds from the known correlation between muscle contractile force and internal pressure. However, this relation is often omitted in numerical models leveraged to study biomechanics. Thus, the purpose of this study was to develop and validate a method of modeling muscles, via finite elements, inclusive of the correlation between muscle contractile force and intramuscular pressure. A magnetic resonance imaging (MRI)-scanned tibialis anterior muscle was modeled via a simple, yet easily scalable, mixed shell and pressure finite element model. Then a validation study was conducted on intramuscular pressure, resulting from applied muscle contractile force, through leveraging special fluid elements type. The fluid-structure-based model and adopted methods exhibited muscle forces and intramuscular pressure that were highly linearly correlated. Indirect validation was achieved with a maximum discrepancy of 7.25%. Furthermore, force-length curves followed a trend similar to documented conventional muscle data, which added to the model's validity. Mesh, material properties, and tendon stiffness sensitivity studies supported the model's robustness. This study has introduced a novel three-dimensional finite element modeling method that respects the physiological force and intramuscular pressure relationship. Although similar models have been previously explored, their complex physiological representation and time-consuming solvers make their scalability and real-time implementation questionable. Thus, the developed model may address such limitations while improving the realism of volumetric finite element models inclusive of muscle contribution.
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 ».