Variation of Kinematic Metrics With Perceived Fatigue in Ice Skating Measured Using Wearable Sensors
Notice bibliographique
Résumé
ABSTRACT: Khandan, A, Fathian, R, Carey, JP, and Rouhani, H. Variation of kinematic metrics with perceived fatigue in ice skating measured using wearable sensors. J Strength Cond Res 39(10): e1178-e1187, 2025-Enabling to obtain ice skaters' kinematics, wearable technology can track skaters' performance and thus detect performance fatigue in real-world settings. Therefore, this study aimed to investigate the potential of wearable inertial measurement units (IMU) to track skaters' performance, predict perceived fatigue, and detect severe fatigue onset before serious fatigue-related sequelae. In a multistage aerobic experiment, 19 subjects, 2 groups of high- and low-caliber skaters clustered by a novel algorithm, were asked to skate at a self-selected speed around an ice rink. During the experiments, subjects skated with 2 IMUs on their dominant leg's shank and thigh and 4 IMUs on their skates, pelvis, and trunk. These IMU outputs were used to develop 22 kinematic metrics whose variations were monitored with self-reported perceived fatigue by a linear mixed model, considering the effect of caliber. Finally, a machine learning algorithm was implemented to predict severe fatigue onset using the proposed kinematic metrics. The variations of intersegment correlation, joint angle fluctuations, and trunk angle were considerable (6-17% variation) during this intermittent skating experiment. In addition, a gradient-boosting model could predict severe fatigue onset with average precision, sensitivity, accuracy, and F1 score of 75, 81, 74, and 78%, respectively, in 196 skating stages captured from the subjects. The proposed kinematic metrics, as performance indicators, could also indicate perceived fatigue during an aerobic ice skating experiment and predict severe fatigue onset. The kinematic metrics introduced in this study equip coaches with quantitative tools to monitor performance and assess perceived fatigue in ice skating.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».