A need for speed: Objectively identifying full-body kinematic and neuromuscular features associated with faster sprint velocities
Notice bibliographique
Résumé
Sprinting is multifactorial and dependent on a variety of kinematic, kinetic, and neuromuscular features. A key objective in sprinting is covering a set amount of distance in the shortest amount of time. To achieve this, sprinters are required to coordinate their entire body to achieve a fast sprint velocity. This suggests that a whole-body kinematic and neuromuscular coordinative strategy exists which is associated with improved sprint performance. The purpose of this study was to leverage inertial measurement units (IMUs) and wireless surface electromyography (sEMG) to find coordinative strategies associated with peak over-ground sprint velocity using machine learning. We recruited 40 healthy university age sprint-based athletes from a variety of athletic backgrounds. IMU and sEMG data were used as inputs into a principal components analysis (PCA) to observe major modes of variation (i.e., PC scores). PC scores were then used as inputs into a stepwise multivariate linear regression model to derive associations of each mode of variation with peak sprint velocity. Both the kinematic (R2 = 0.795) and sEMG data (R2 = 0.586) produced significant multivariate linear regression models. The PCs that were selected as inputs into the multivariate linear regression model were reconstructed using multi-component reconstruction to produce a representation of the whole-body movement pattern and changes in the sEMG waveform associated with faster sprint velocities. The findings of this work suggest that distinct features are associated with faster sprint velocity. These include the timing of the contralateral arm and leg swing, stance leg kinematics, dynamic trunk extension at toe-off, asymmetry between the right and left swing side leg and a phase shift feature of the posterior chain musculature. These results demonstrate the utility of data-driven frameworks in identifying different coordinative features that are associated with a movement outcome. Using our framework, coaches and biomechanists can make decisions based on objective movement information, which can ultimately improve an athlete's performance.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».