Improved heat coefficients for joint-space metabolic energy expenditure model during level, uphill, and downhill walking
Notice bibliographique
Résumé
A previously developed joint-space metabolic energy expenditure (MEE) model includes subject-specific parameters and was validated using level walking gait data. In this work, we determine how well this joint-space model performs during various walking grades (-8%, 0%, and 8%) at 0.8 m·s ⁻1 and 1.3 m·s ⁻1 using published gait data in the literature. In response to those results, we formulate an optimization problem and solve it through the particle swam method plus fmincon function in MATLAB to identify a new optimal weighting parameter set for each grade that produces more accurate predicted MEE and we compare our new findings with seven other MEE models in the literature. The current study matched the measured MEE the best with the lowest RMSE values for level (0.45 J·kg ⁻1·m ⁻1) and downhill (0.82 J·kg ⁻1·m ⁻1) walking and the third lowest RMSE value for uphill (1.56 J·kg ⁻1·m ⁻1) walking, where another MEE model, Looney et al., had the lowest RMSE for uphill (1.27 J·kg ⁻1·m ⁻1) walking. Bland-Altman plots and three independent-samples t-tests show that there was no statistical significant difference between experimentally measured MEE and estimated MEE during the three walking conditions, meaning that the three new optimal weighting parameter sets can be used with 6 degree of freedom (DOF) lower extremity motion data to better estimate whole body MEE in those scenarios. We believe that this work is a step towards identifying a single robust parameter set that allows for accurate estimation of MEE during any task, with the potential to mitigate a limitation of indirect calorimetry requiring lengthy steady state motion.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».