Spatiotemporal walking performance in different settings: effects of walking speed and sex
Notice bibliographique
Résumé
Background: Understanding the factors that influence walking is important as quantitative walking assessments have potential to inform health risk assessments. Wearable technology innovation has enabled quantitative walking assessments to be conducted in different settings. Understanding how different settings influence quantitative walking performance is required to better utilize the health-related potential of quantitative walking assessments. Research question: How does spatiotemporal walking performance differ during walking in different settings at different speeds for young adults? Methods: Forty-two young adults [21 male (23 ± 4 years), 21 female (24 ± 5 years)] walked in two laboratory settings (overground, treadmill) and three non-laboratory settings (hallway, indoor open, outdoor pathway) at three self-selected speeds (slow, preferred, fast) following verbal instructions. Six walking trials of each condition (10 m in laboratory overground, 20 m in other settings) were completed. Participants wore 17 inertial sensors (Xsens Awinda, Movella, Henderson, NV) and spatiotemporal parameters were computed from sensor-derived kinematics. Setting × speed × sex repeated measures analysis of variance were used for statistical analysis. Results: Regardless of the speed condition, participants walked faster overground when compared to while on the treadmill and walked faster in the indoor open and outdoor pathway settings when compared to the laboratory overground setting. At slow speeds, participants also walked faster in the hallway when compared to the laboratory overground setting. Females had greater cadence when compared to males, independent of settings and speed conditions. Significance: Particularly at slow speeds, spatiotemporal walking performance was different between the settings, suggesting that setting characteristics such as walkway boundary definition may significantly influence spatiotemporal walking performance.
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 | 0,003 |
| 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 | 0,001 | 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) | 0,004 | 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 ».