Stride frequency derived from GPS speed fluctuations in galloping horses
Notice bibliographique
Résumé
Changes in gallop stride parameters prior to injury have been documented previously in Thoroughbred racehorses. Validating solutions for quantification of fundamental stride parameters is important for large scale studies investigating injury related factors. This study describes a fast Fourier transformation-based method for extracting stride frequency (SF) values from speed fluctuations recorded with a standalone GPS-logger suitable for galloping horses. Limits of agreement with SF values derived from inertial measurement unit (IMU) pitch data are presented. Twelve Thoroughbred horses were instrumented with a GPS-logger (Vbox sport, Racelogic, 10 Hz samplerate) and a IMU-logger (Xsens DOT, Xsens, 120 Hz samplerate), both attached to the saddlecloth in the midline caudal to the saddle and time synchronized by minimizing root mean square error between differentiated GPS and IMU heading. Each horse performed three gallop trials with a target speed of 36 miles per hour (16.1 ms−1) on a dirt racetrack. Average speed was 16.48 ms−1 ranging from 16.1 to 17.4 ms−1 between horses. Limits of agreement between GPS- and IMU-derived SF had a bias of 0.0032 Hz and a sample-by-sample precision of +/−0.027 Hz calculated over N = 2196 values. The stride length uncertainty related to the trial-by-trial SF precision of 0.0091 Hz achieved across 100 m gallop sections is smaller than the 10 cm decrease in stride length that has been associated with an increased risk of musculoskeletal injury. This suggests that the described method is suitable for calculating fundamental stride parameters in the context of injury prevention in galloping horses.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».