Movement Onset Detection Methods: A Comparison Using Force Plate Recordings
Notice bibliographique
Résumé
Computational approaches for movement onset detection can standardize and automate analyses to improve repeatability, accessibility, and time efficiency. With the increasing interest in assessing time-varying biomechanical signals such as force-time recordings, there remains a need to investigate the recently adopted 5 times the standard deviation (5 × SD) threshold method. In addition, other employed methods and their variations such as the reverse scanning and first derivative methods have been scarcely evaluated. The aim of this study was to compare the 5 × SD threshold method, 3 variations of the reverse scanning method, and 5 variations of the first derivative method against manually selected onsets, in the countermovement jump and squat. Limits of agreement with respect to onsets, manually selected from unfiltered data, were best for the first derivative method using a 10-Hz low-pass filter (limits of agreement: -0.02 to 0.05 s and -0.07 to 0.11 s for the countermovement jump and squat, respectively). Thus, even when the onset of unfiltered data is of primary interest, filtering before calculating the first derivative is necessary as it reduces the amplification of high frequencies. The first derivative approach is also less susceptible to inherent variation during the quiet phase prior to the onset compared to the other approaches investigated.
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 | 0,000 |
| 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 | 0,000 | 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 ».