Milliseconds matter: Biomechanical inverse dynamics analysis is highly sensitive to imperfect data synchronization
Notice bibliographique
Résumé
Abstract Inverse dynamics analysis is the primary means of quantifying joint moments and powers from biomechanical data. The data are often combined from force plates, motion capture cameras, and perhaps body-worn inertial sensors, and must be temporally synchronized to avoid potentially large inverse dynamics errors. The principles behind the errors, and the sensitivities for movements such as human walking, have yet to be demonstrated. Here we quantify how inverse dynamics computations of joint moments, powers, and work are highly sensitive to temporal mis-synchronization. We do this with (1) a theoretical examination of inverse dynamics, supported by (2) a simulated multi-body jumping movement, and (3) experimental human walking data. The theoretical analysis shows that root-mean-square errors in joint powers increase linearly with temporal mis-synchronization, and increase more for faster movements. With the other analyses we quantify the specific amount. For example, for human walking at 1.25 m/s, an artificially induced 5 ms lag of force relative to motion resulted in a 29% root-mean-square error of the ankle joint moment. The corresponding error in ankle joint power was 58%, and five times as much for walking at 2.2 m/s. The residual force, a measure of internal inconsistency in the data, increased by almost 1% body weight for each millisecond of mis-synchronization for walking. These sensitivities are relevant because standard experimental equipment usually synchronizes only the recording of data, but not processing latencies internal to equipment, which can and do cause mis-synchronization on the order of ten milliseconds. Biomechanical data should be synchronized to within a few milliseconds, and with respect to physical stimulus, to yield accurate inverse dynamics analysis.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».