Prediction of Model Generated Patellofemoral Joint Contact Forces Using Principal Component Prediction and Reconstruction
Notice bibliographique
Résumé
It is not currently possible to directly and noninvasively measure in vivo patellofemoral joint contact force during dynamic movement; therefore, indirect methods are required. Simple models may be inaccurate because patellofemoral contact forces vary for the same knee flexion angle, and the patellofemoral joint has substantial out-of-plane motion. More sophisticated models use 3-dimensional kinematics and kinetics coupled to a subject-specific anatomical model to predict contact forces; however, these models are time consuming and expensive. We applied a principal component analysis prediction and regression method to predict patellofemoral joint contact forces derived from a robust musculoskeletal model using exclusively optical motion capture kinematics (external approach), and with both patellofemoral and optical motion capture kinematics (internal approach). We tested this on a heterogeneous population of asymptomatic subjects (n = 8) during ground-level walking (n = 12). We developed equations that successfully capture subject-specific gait characteristics with the internal approach outperforming the external. These approaches were compared with a knee-flexion based model in literature (Brechter model). Both outperformed the Brechter model in interquartile range, limits of agreement, and the coefficient of determination. The equations generated by these approaches are less computationally demanding than a musculoskeletal model and may act as an effective tool in future rapid gait analysis and biofeedback applications.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».