Integrating footwear features into fatigue prediction models for marathon runners: A hybrid CNN-LSTM approach
Notice bibliographique
Résumé
Footwear design, especially the curvature of carbon plates, may influence fatigue perception, but few studies have integrated footwear features into fatigue prediction models. This study aimed to develop a hybrid CNN-LSTM model to predict runners’ fatigue states and evaluate the impact of footwear characteristics on fatigue perception. Twelve male marathon runners (age = 21.8 ± 1.3 years; body mass = 59.1 ± 4.1 kg; height = 168.9 ± 2.2 cm; and weekly mileage = 68.8 ± 5.5 km) participated. They wore two types of carbon-plated shoes (flat plate, FP, and curved plate (CP)) and ran at a steady pace (Borg score 13) until a Borg score of 16 or 85% of maximum heart rate was reached for 2 min. EMG signals and physiological data were collected during treadmill running. A hybrid CNN-LSTM model was trained with and without footwear features to predict fatigue states. The model with footwear features achieved 85% accuracy, compared to 69% without. Curved carbon plate (CP) shoes delayed semi-fatigue onset, indicating better initial support, but the time to full fatigue was similar for both shoe types. The CNN-LSTM model effectively predicted fatigue states, with significant improvement when footwear features were included. Footwear design, particularly carbon plate curvature, influenced fatigue perception.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».