Postural factors contributing to reaching speed and accuracy
Notice bibliographique
Résumé
Objectives. Occupational reaching tasks performed with faulty postures may contribute to inefficient movement patterns that could lead to injury. Understanding relationships between posture and muscle activation during reaching tasks may elucidate movement patterns that increase occupational injury risk in workers. This study assessed whether postural factors and muscle activation predict forward reaching movement performance and accuracy. Methods. Predictor variables of forward shoulder posture (FSP), pectoral length, upper (UT), middle (MT) and lower trapezius (LT) and pectoralis major (PM) muscle activation, and UT:PM, MT:PM, and LT:PM co-activation during forward reaching were analysed for 56 individuals. Sequential linear regression equations assessed reaching variance. Results. For females, FSP, UT activation, and UT:PM co-activation explained 36% of reaction time (RT) variance, and MT:PM co-activation explained 14% of endpoint accuracy variance. For males, MT:PM co-activation explained 17% of movement time (MvT) variance, and FSP, MT:PM co-activation and MT explained 23% of accuracy variance. Conclusion. Increased co-activation was a predictor of movement performance; however, performance outcome variables differed between males (MvT) and females (RT). Muscle co-activation coupled with FSP and posterior shoulder muscle activation resulted in differences in predicting reaching performance variance. Practitioners might consider evaluating these muscle activation and postural factors in occupational reaching tasks.Trial registration: ClinicalTrials.gov identifier: NCT04944745.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».