Using wearable technology data to explain recreational running injury: A prospective longitudinal feasibility study
Notice bibliographique
Résumé
OBJECTIVES: Investigate 1) if collecting and analysing wristwatch inertial measurement unit (IMU) and global positioning system (GPS) data using a commercially-available training platform was feasible in recreational runners and 2) which variables were associated with subsequent injury. DESIGN: Prospective longitudinal cohort. PARTICIPANTS: Healthy recreational runners. MAIN OUTCOME MEASURES: We set a priori feasibility thresholds for recruitment (maximum six-months), acceptance (minimum 80%), adherence (minimum 70%), and data collection (minimum 80%). Participants completed three patient-reported outcome measures (PROMS) detailing their psychological health, sleep quality, and intrinsic motivation to run. We extracted baseline anthropometric, biomechanical, metabolic, and training load data from their IMU/GPS wristwatch for analysis. Participants completed a weekly injury status surveillance questionnaire over the next 12-weeks. Feasibility outcomes were analysed descriptively and injured versus non-injured group differences with 95% confidence intervals were calculated for PROM/IMU/GPS data. RESULTS: 149 participants consented; 86 participants completed (55 men, 31 women); 21 developed an injury (0.46 injuries/1000km). Feasibility outcomes were satisfied (recruitment = 47 days; acceptance = 133/149 [89%]; adherence = 93/133 [70%]; data collection = 86/93 [92%]). Acute load by calculated effort was associated with subsequent injury (mean difference -562.14, 95% CI -1019.42, -21.53). CONCLUSION: Collecting and analysing wristwatch IMU/GPS data using a commercially-available training platform was feasible in recreational runners.
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 | 0,000 | 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 ».