An Augmented Full-Body Model that Improves Upper Body Tracking and Reduces Dynamic Inconsistency in Complex Motion
Notice bibliographique
Résumé
PURPOSE: In recent years, the applications of musculoskeletal simulations have been expanded from simple walking to complex movements in various kinds of sports. The goal of this study was to augment the capability of the currently widely used full-body model (Rajagopal (2016) IEEE Trans. Biomed. Eng. 63:2068-2079) to improve the tracking of the kinematics of the head, shoulder, arms, and torso during complex full-body motion. METHODS: Based on the testing of different modeling choices of neck, shoulder, and torso segments, the original Rajagopal full-body model was augmented by adding three joints in the spine and two sternoclavicular joints. The inverse kinematics and inverse dynamics of sports-related movements from 16 collegiate athletes were compared between the original Rajagopal and augmented full-body model. RESULTS: Our results showed that the augmented full-body model had significant improvements in tracking errors of the markers on the head, arm, torso, and pelvis during inverse kinematics, which led to reduced dynamic inconsistency in inverse dynamics, compared to the Rajagopal model. CONCLUSION: With a significant improvement in tracking the kinematics of the upper body, the augmented full-body model is a more suitable model to perform simulations involving complex full-body movements and is available for research use upon request from simtk.org.
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 | 0,000 |
| 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 ».