Estimating Running Ground Reaction Forces from Plantar Pressure during Graded Running
Notice bibliographique
Résumé
Ground reaction forces (GRFs) describe how runners interact with their surroundings and provide the basis for computing inverse dynamics. Wearable technology can predict time-continuous GRFs during walking and running; however, the majority of GRF predictions examine level ground locomotion. The purpose of this manuscript was to predict vertical and anterior-posterior GRFs across different speeds and slopes. Eighteen recreationally active subjects ran on an instrumented treadmill while we collected GRFs and plantar pressure. Subjects ran on level ground at 2.6, 3.0, 3.4, and 3.8 m/s, six degrees inclined at 2.6, 2.8, and 3.0 m/s, and six degrees declined at 2.6, 2.8, 3.0, and 3.4 m/s. We estimated GRFs using a set of linear models and a recurrent neural network, which used speed, slope, and plantar pressure as inputs. We also tested eliminating speed and slope as inputs. The recurrent neural network outperformed the linear model across all conditions, especially with the prediction of anterior-posterior GRFs. Eliminating speed and slope as model inputs had little effect on performance. We also demonstrate that subject-specific model training can reduce errors from 8% to 3%. With such low errors, researchers can use these wearable-based GRFs to understand running performance or injuries in real-world settings.
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 | 0,000 |
| 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) | 0,001 | 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 ».