Identification of subject-specific responses to footwear during running
Notice bibliographique
Résumé
Placing a stronger focus on subject-specific responses to footwear may lead to a better functional understanding of footwear's effect on running and its influence on comfort perception, performance, and pathogenesis of injuries. We investigated subject-specific responses to different footwear conditions within ground reaction force (GRF) data during running using a machine learning-based approach. We conducted our investigation in three steps, guided by the following hypotheses: (I) For each subject x footwear combination, unique GRF patterns can be identified. (II) For each subject, unique GRF characteristics can be identified across footwear conditions. (III) For each footwear condition, unique GRF characteristics can be identified across subjects. Thirty male subjects ran ten times at their preferred (self-selected) speed on a level and approximately 15 m long runway in four footwear conditions (barefoot and three standardised running shoes). We recorded three-dimensional GRFs for one right-foot stance phase per running trial and classified the GRFs using support vector machines. The highest median prediction accuracy of 96.2% was found for the subject x footwear classification (hypothesis I). Across footwear conditions, subjects could be discriminated with a median prediction accuracy of 80.0%. Across subjects, footwear conditions could be discriminated with a median prediction accuracy of 87.8%. Our results suggest that, during running, responses to footwear are unique to each subject and footwear design. As a result, considering subject-specific responses can contribute to a more differentiated functional understanding of footwear effects. Incorporating holistic analyses of biomechanical data is auspicious for the evaluation of (subject-specific) footwear effects, as unique interactions between subjects and footwear manifest in versatile ways. The applied machine learning methods have demonstrated their great potential to fathom subject-specific responses when evaluating and recommending footwear.
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 | 0,002 |
| 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 ».