Wearable Sensor Analyses To Assess Load In Cross Country Runners
Notice bibliographique
Résumé
Running biomechanics are crucial in investigating running-related injuries. Wearable technology provides a viable means of prospectively monitoring running biomechanics for preventative and prognostic purposes. Unfortunately, the use of wearable technology in research has been limited to within lab settings, or in very controlled conditions. More field-based studies are needed to validate the feasibility of using wearables to monitor biomechanics. PURPOSE: The aim of this pilot study is to determine longitudinal associations between biomechanical variables and self-reported pain across a competitive team running season, and examine the feasibility of doing so during practice sessions of varsity cross country athletes. METHODS: 7 healthy runners from the McMaster cross country team (5F) were recruited for this study. Prior to each running session, wearable sensors were attached to each leg proximal to the medial malleoli of the ankle. Sensors were worn for the entirety of a regularly scheduled practice. Following the practice participants completed a questionnaire on rate of perceived exertion (RPE), pain and pain location. Data was collected on each athlete once a week for a total of 9 sessions. Variables associated with impact (total impact load (TIL), impact load per minute (IL/min)) and asymmetry (impact asymmetry (IA), and average intensity (AI)) were assessed for correlation with measures of pain and RPE using a Pearson’s correlation (p < 0.05). RESULTS: Seven correlations between biomechanical and self-reported variables were assessed, with a number of statistically significant correlations (Table 1). Correlations between AI and pain (4/7 significant; 0.04) and TIL and pain (3/7 significant; 0.26) demonstrated the most consistently significant correlations across runners. CONCLUSIONS: Correlations between biomechanical impact variables and self-reported assessments of runners show promise as a way to longitudinally monitor athletes load. - Table 1 Subject TIL v RPE TIL v Pain IL/min v RPE IL/min v Pain IA v Pain AI v Pain 1 -0.15 0.25 -0.32 0.27 -0.17 0.62 2 0.03 -0.81 -0.05 -0.74 -0.77 -0.87 3 -0.80 -0.50 0.45 0.00 -0.16 -0.65 4 -0.27 -0.31 -0.58 0.00 0.02 -0.27 5 -0.25 -0.13 0.35 0.83 -0.06 0.88 6 -0.31 0.52 -0.38 0.33 0.34 0.18 7 0.17 0.26 -0.36 0.72 -0.61 0.81 Average -0.23 -0.10 -0.13 0.20 -0.20 0.10
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».