Effectiveness of Using a Digital Wearable Plantar Pressure Device to Detect Muscle Fatigue: Within-Subject, Repeated Measures Experimental Design
Notice bibliographique
Résumé
Background: Muscle fatigue, characterized by reduced force generation during repetitive contractions, impacts older adults doing daily activities and athletes during sports activities. While various sensors detect muscle fatigue via muscle activity, biochemical markers, and kinematic parameters, a real-time wearable solution with high usability remains limited. Plantar pressure monitoring detects muscle fatigue through foot loading changes, seamlessly integrating into footwear to improve the usability and compliance for home-based monitoring. Objective: This study aimed to investigate the effects of muscle fatigue on plantar pressure measurements using a self-developed wearable plantar pressure system. Methods: Twelve healthy participants completed a 5-minute calf muscle fatigue protocol. The plantar pressures and surface electromyography (sEMG) activity of the gastrocnemius muscles were recorded before and after exercise. The plantar pressures at 6 regions and the median frequency (MDF) of sEMG were analyzed to quantify fatigue. Results: The self-developed foot pressure system showed a significant decrease in plantar pressure peak values at the heel of the left (P=.003) and right feet (P=.001) and at the lateral toe of the left (P=.001) and right feet (P=.026). A significant increase was observed at the metatarsal head of both the left foot (P=.001) and the right foot (P=.017). The MDF of sEMG signals significantly decreased in the left (P=.001) and right gastrocnemius (P<.001). Conclusions: Plantar pressure changes and sEMG signals effectively detect gastrocnemius muscle fatigue using the proposed wearable system, supporting the development of a wearable solution for detecting muscle fatigue suitable for home-use.
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 ».