Effects of trunk extensor muscle fatigue on repetitive lift (re)training using an augmented tactile feedback approach
Notice bibliographique
Résumé
Augmented tactile and performance feedback has been used to (re)train a modified lifting technique to reduce lumbar spine flexion, which has been associated with low back disorder development during occupational repetitive lifting tasks. However, it remains unknown if the presence of trunk extensor neuromuscular fatigue influences learning of this modified lifting technique. Therefore, we compared the effectiveness of using augmented tactile and performance feedback to reduce lumbar spine flexion during a repetitive lifting task, in both unfatigued and fatigued states. Participants completed repetitive lifting tests immediately before and after training, and 1-week later, with half of the participants completing training after fatiguing their trunk extensor muscles. Both groups demonstrated learning of the modified lifting technique as demonstrated by increased thorax-pelvis coordination variability and reduced lumbar range of motion variability; however, experiencing trunk extensor neuromuscular fatigue during lift (re)training may have slight negative influences on learning the modified lifting technique. Practitioner summary: An augmented lift (re)training paradigm using tactile cueing and performance feedback regarding key movement features (i.e. lumbar spine flexion) can effectively (re)train a modified lifting technique to reduce lumbar flexion and redistribute motion to the hips and knees. However, performing (re)training while fatigued could slightly hinder learning this lifting technique.
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 ».