Limb anatomy influences swing duration and angular velocity: Implications for understanding primate locomotor adaptations
Notice bibliographique
Résumé
To understand the functional correlates ofdiversity in limb length, mass, and weightdistribution among mammals, mostbiomechanical studies have focused on stancephase mechanics, while swing phase hasremained relatively understudied. Previousstudies have shown that as animals move fasterthe stance period shortens while the swing periodstays relatively constant. This suggests thatmechanical qualities, such as limb length andmass distribution, constrain swing timing andcan influence animal velocity and energeticcosts. Primates–with relatively more distalweight distribution associated with prehensilehands and feet–may experience longer swingperiods compared to other mammals. We testedthis hypothesis by calculating swing period fromvideorecords for a wide range of mammals,including humans, dogs, cats, kinkajous, coatis,lemurs, squirrel monkeys and callitrichids. Inevery species in our sample stance durationdecreases with increasing speed and swingduration remains nearly constant. When absoluteswing durations are compared, most species wereidentical, although dogs and marmosets showedsignificantly shorter absolute swing durationsthan other mammals. This similarity in swingperiod (in spite of differences in limb length)leads to differences in angular velocity, and thus,muscular effort needed to accelerate anddecelerate the limb. Although relatively longerlimbs and grasping cheiridia may providebenefits for increasing stride length and stability,such anatomy may also constrain speed,influence speeds at which gait transitions occur,and increase costs of locomotion. Understandingthe relative costs and benefits of different limbanatomies allows a better understanding ofselective pressures driving morphologicalevolution in primates.
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 | 0,002 | 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 | 0,001 | 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 ».