The Determination of On-Water Rowing Stroke Kinematics Using an Undecimated Wavelet Transform of a Rowing Hull-Mounted Accelerometer Signal
Notice bibliographique
Résumé
Boat acceleration profiles can provide valuable information for coaches and practitioners to make meaningful technical interventions and monitor the determinants of success in rowing. Previous studies have used simple feature detection methods to identify key phases within individual strokes, such as drive onset, drive time, drive offset and stroke time. However, based on skill level, technique or boat class, the hull acceleration profile can differ, making robust feature detection more challenging. The current study’s purpose is to employ the undecimated wavelet transform (UWT) technique to detect individual features in the stroke acceleration profile from a single rowing hull-mounted accelerometer. In this investigation, the temporal and kinematic values obtained using the AdMosTM sensor in conjunction with the UWT processing approach were strongly correlated with the comparative measures of the Peach™ instrumented oarlock system. The measures for stroke time displayed very strong agreeability between the systems for all boat classes, with ICC values of 0.993, 0.963 and 0.954 for the W8+, W4− and W1x boats, respectively. Similarly, the drive time was also very consistent, with strong to very strong agreeability, producing ICC values of 0.937, 0.901 and 0.881 for the W8+, W4− and W1x boat classes. Further, a Bland–Altman analysis displayed little to no bias between the AdMosTM-derived and Peach™ measures, indicating that there were no systematic discrepancies between signals. This single-sensor solution could form the basis for a simple, cost-effective and accessible alternative to multi-sensor instrumented systems for the determination of sub-stroke kinematic phases.
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 | 0,000 |
| 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 ».