Impact forces in backward falls: Subject-specific video-based rigid body simulation of backward falls
Notice bibliographique
Résumé
A critical missing component in the study of real-world falls is the ability to accurately determine impact forces resulting from the fall. Subject-specific rigid body dynamic (RBD) models calibrated to video captured falls can quantify impact forces and provide additional insights into injury risk factors. RBD models were developed based on five backward falls captured on surveillance video in long-term care facilities in British Columbia, Canada. Model joint stiffness and initial velocities were calibrated to match the kinematics of the fall and contact forces were calculated. The effect of joint stiffnesses (neck, lumbar spine, hip, and knee joint) on head contact forces were determined by modifying the calibrated stiffness values ±25%. Fall duration, fall trajectories, and maximum velocities showed a close match between fall events and simulations. The maximum value of pelvic velocity difference between Kinovea (an open-source software 2D digitization software) and Madymo multibody modeling was found to be 6% ± 21.58%. Our results demonstrate that neck and hip stiffness values have a non-significant yet large effect on head contact force ( t(3) = 1, p = 0.387 and t(3) = 2, p = 0.138), while lower effects were observed for knee stiffness, and the effect of lumbar spine stiffness was negligible. The subject-specific fall simulations constructed from real world video captured falls allow for direct quantification of force outcomes of falls and may have applications in improving the assessment of fall-induced injury risks and injury prevention methods.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».