Forward dynamics computational modelling of a cyclist fall with the inclusion of protective response using deep learning-based human pose estimation
Notice bibliographique
Résumé
Single bicycle crashes, i.e., falls and impacts not involving a collision with another road user, are a significantly underestimated road safety problem. The motions and behaviours of falling people, or fall kinematics, are often investigated in the injury biomechanics research field. Understanding the mechanics of a fall can help researchers develop better protective gear and safety measures to reduce the risk of injury. However, little is known about cyclist fall kinematics or dynamics. Therefore, in this study, a video analysis of cyclist falls is performed to investigate common kinematic forms and impact patterns. Furthermore, a pipeline involving deep learning-based human pose estimation and inverse kinematics optimisation is created for extracting human motion from real-world footage of falls to initialise forward dynamics computational human body models. A bracing active response is then optimised for using a genetic algorithm. This is then applied to a case study of a cyclist fall. The kinematic forms characterised in this study can be used to inform initial conditions for computational modelling and injury estimation in cyclist falls. Findings indicate that protective response is an important consideration in fall kinematics and dynamics, and should be included in computational modelling. Furthermore, the novel reconstruction pipeline proposed here can be applied more broadly for traumatic injury biomechanics tasks. The tool developed in this study is available at https://kevgildea.github.io/KinePose/.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».