A comparison of isometric and isokinetic normalization methods for electromyographic data from sub-regions of supraspinatus and infraspinatus during dynamic tasks
Notice bibliographique
Résumé
This study explored effects of using isometric versus isokinetic maximal voluntary contractions (MVCs) to normalize EMG data from supraspinatus and infraspinatus subregions during isokinetic tasks. Participants performed submaximal isokinetic external rotation (ER) and scaption tasks at two speeds. Three isometric MVCs were used: seated ER; side-lying scaption; side-lying abduction. Isokinetic MVCs were performed in the same position and speeds as the experimental tasks. Data were normalized using peak EMG from reference tasks: MVC which produced the greatest amplitude overall (MEA), isometric MVC with greatest amplitude (isometric best), isokinetic MVC with greatest amplitude (isokinetic best), and the greatest amplitude from the isokinetic MVC that matched the experimental task (isokinetic matched). Mean %MVC from each experimental task/ sub-region were compared by normalization method. The isokinetic matched method versus the MEA method was significantly different in all comparisons with isokinetic matched resulting in relative normalized task values up to 162% greater. The isometric best method resulted in significantly greater %MVC 37% of the time compared to the MEA method, whereas there were no differences when using isokinetic best compared to MEA. Isokinetic MVCs are less likely to overestimate %MVC than isometric and their use should be considered when normalizing data from dynamic tasks.
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 | 0,001 | 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 ».