Integration of Muscle Pre-tension and Activation to Evaluate Neck Muscle Strain Injury Risk during Simulated Rear Impacts Using a Finite Element Neck Model
Notice bibliographique
Résumé
Prevention of rear-impact neck injuries remains challenging for safety designers due to a lack of understanding of the tissue-level response and injury risk. Soft tissue injuries have been inferred from clinical, cadaveric, and numerical studies; however, there is a paucity of data for neck muscle injury, commonly reported as muscle pain. The goal of this study was to investigate the effect of muscle pre-tension and activation on muscle strain and injury risk resulting from low-severity rear impacts using a detailed finite element head and neck model (HNM). The HNM was extracted from the GHBMC average stature male model and re-postured to match a volunteer study, with measured T1 kinematics applied as boundary conditions to the HNM. Three cases were simulated for three impact severities: the baseline repostured HNM, the HNM including muscle pre-tension, and the HNM with muscle pre-tension and muscle activation. The head kinematics, vertebral kinematics, muscle strains, and three neck injury criteria were calculated to assess injury risk. The kinematic response of the neck model demonstrated an S-shaped pattern, followed by extension in the rear impact cases. The maximum kinetics, kinematics, and muscle strains occurred later in the impact during the extension phase. The distribution and magnitude of muscle strain depended on muscle pre-tension and activation, and the largest predicted strains occurred at locations associated with muscle injury reported in the literature. The HNM with muscle pre-tension and muscle activation provides a tool to assess rear impact response and could inform injury mitigation strategies in the future.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».