Radar Sensor Data Fitting for Accurate Linear Sprint Modelling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Accurate linear sprint modelling is essential for evaluating athletes’ performance, particularly in terms of force, power, and velocity capabilities. Radar sensors have emerged as a critical tool in capturing precise velocity data, which is fundamental for generating reliable force-velocity (FV) profiles. This study focuses on the fitting of radar sensor data to various sprint modelling techniques to enhance the accuracy of these profiles. Forty-seven university-level athletes (M = 23, F = 24; 1.75 ± 0.1 m; 79.55 ± 12.64 kg) participated in two 40 m sprint trials, with radar sensors collecting detailed velocity measurements. This study evaluated five different modelling approaches, including three established methods, a third-degree polynomial, and a sigmoid function, assessing their goodness-of-fit through the root mean square error (RMSE) and coefficient of determination (r2). Additionally, FV metrics (Pmax, F0, V0, FVslope, and DRF) were calculated and compared using ANOVA. Results: Significant differences (p < 0.001) were identified across the models in terms of goodness-of-fit and most FV metrics, with the sigmoid and polynomial functions demonstrating superior fit to the radar-collected velocity data. Conclusions: The results suggest that radar sensors, combined with appropriate modelling techniques, can significantly improve the accuracy of sprint performance analysis, offering valuable insights for both researchers and coaches. Care should be taken when comparing results across studies employing different modelling approaches, as variations in model fitting can impact the derived metrics.
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.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle