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 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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».