XiaoMi-AI文件搜索系统
World File Search System踝关节
依赖于踝关节肌肉的任务依赖性募集以及机械需求之间的肌肉驱动驱动于肌肉收缩的代谢成本
引用Lai，Adrian K M，Dick，Taylor J M，Biewener，Andrew A和Wakeling，JamesM。皇家学会界面杂志18，第1期。174（2021）：20200765。
并发运动训练对肌肉肥胖症老年人的静态和主动姿势控制过程中踝关节激活的影响：多中心，随机和对照试验
摘要：肌肉减少肥胖（SO），其特征是与年龄相关的肌肉损失和多余的体内脂肪，这显着损害了姿势控制。然而，有限的研究探讨了在患有SO的老年人姿势控制期间，同意运动训练对神经肌肉策略的影响。这项研究招收了50名具有SO的老年人，分为干预组（IG，n = 25，平均年龄= 76.1±3.5岁；平均BMI = 34.4±4.0 kg/m 2）和对照组（CG，n = 25，平均年龄= 75.9±5.4岁；平均BMI = 32.32.32.9±2.2.9±kg/m 2）。IG的参与者参加了60分钟的总移动性加上计划（TMP）课程，每周三次，共四个月，而CG则保持了典型的日常活动。在干预之前和之后进行了标准化评估。这些评估包括ROMBERG和定时进行和进行（拖船）测试，以及在各种条件下的压力中心（COP）位移参数的测量。此外，在姿势控制评估期间量化了踝肌肉活性，以及足底和背侧弯曲的最大自愿性收缩。干预后的结果显示，在Romberg中测量的站立时间（-15.6％，p <0.005）和TUG（-34.6％，p <0.05）测试显着减少。此外，在各种条件下，COP面积和速度显着降低（P <0.05）。姿势控制改善与强度的增加（p <0.05）和踝肌激活的减少有关（p <0.05）。这些发现突出了与肌肉减少症和肥胖的协同作用相关的神经肌肉系统变化的可逆性，强调了该人群中姿势控制调节的训练性。通过将这些见解纳入临床实践和公共卫生策略中，似乎可以优化具有SO的老年人的健康和福祉。
肯尼斯·马丁·莱维特医生 - 波士顿足部和踝关节
参加高级课程和研讨会，以了解最新的医疗和外科实践。成功满足所有要求以保持我的外科委员会认证。进行深入研究并为即将在中东担任的临床和管理职位做准备。探索新兴医疗技术并将创新解决方案融入我的技能组合中。参加医学会议和研讨会，以保持行业进步的前沿地位。自愿为医疗推广计划提供我的专业知识，增强我在各种医疗保健环境中的经验。为诉讼目的提供咨询、法律服务和医疗记录审查。这段时间让我能够平衡个人责任，同时继续提高我的专业知识，确保我为下一个角色做好充分准备。我的行医执照和委员会认证仍然有效，每年更新一次。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
AI-Smartphone无标记运动捕获反转跳动期间髋关节，膝盖和踝关节运动学的运动
f i g u r e 1 Vicon标记（前后）用于反射标记（A）：右前头部RFHD，左前头部LFHD，左后头LBHD，左后头LBHD，右后头RBHD，Clavicle Clav，Clavicle Clav，Clavicle clav，serternum strn，c7，C7，C7，C7，c7 LWRA/LWRB, Left Finger LFIN, Right Shoulder RSHO, Right Upper Arm RUPA, Right Elbow RELB, Right Forearm RFRM, Right Wrist RWRA/RWRB, Right Finger RFIN, Left ASIS LASI, Left PSIS LPSI, Right ASIS RASI, Right PSIS RPSI, Left thigh LTHI, Left Knee LKNE, Left Tibia LTIB, Left Ankle LANK, Left脚跟Lhee，左脚趾ltoe，右大腿Rthi，右膝盖rkne，右胫骨rtib，右脚踝等级，右脚跟Rhee和右脚趾rtoe； SBSQ置（B）的标记模型由24个解剖键组成组成，结合成骨骼模型：0：骨盆中心，1：中心左髋关节，2：右臀部中心臀部，3：下脊柱，4：左膝盖中心，4：左膝盖，5：右膝盖的中心，6：中心，7：中心，7：左中间：左左：左：左：左：左：8：左：脚趾，11：右脚趾的中心点，12：脖子，13：左锁骨中心点，14：右侧锁骨中心点，15：头部中心，中心，16：左肩关节中心：17：右肩关节中心，右肘接头，18：左肘接头中心，19：右肘中心，右肘关节中心，20：20：左手腕的中心：左手腕的中心，21：左手腕的中心，左右22：左侧的中心：左侧的右侧孔右侧和23：23：23：23：23：23：23：23：23：23：
Exactech 推出用于肩关节置换术的开创性人工智能和放射组学研究，重点介绍膝关节和踝关节技术的进展
这项新研究展示了机器学习技术（如聚类）如何将 CT 图像衍生的放射组学数据与患者人口统计数据聚合在一起，以确定临床相关的肌肉分类，这些分类可以预测肩关节置换术后的临床结果。在第一项研究中，分析了 1,382 名患者的 CT 扫描中的三角肌放射组学，以确定肩关节置换术前后与高水平和低水平运动相关的五个不同的三角肌群。该技术可以应用于其他肌肉以及骨骼，以合成复杂的图像数据，以便临床医生通过术前规划软件轻松解释。
功能疲劳方案和视觉信息对慢性踝关节不稳定患者的姿势控制的影响
摘要：慢性踝关节不稳定性（CAI）患者经常表现出姿势对照，并依靠视觉信息来维持静态平衡以补偿降低的本体感受。疲劳会损害CAI患者外的神经肌肉控制，除了姿势控制外。但是，在CAI患者的单腿平衡测试中，功能疲劳是否会改变姿势控制和感觉组织策略，尚不清楚。本研究涉及对实验室环境中28名CAI患者的对照试验。每个参与者在功能性疲劳方案之前和之后，用眼睛睁开眼睛（EO）进行了单腿平衡测试（EO）。双向重复测量方差分析评估了结果变量的疲劳（Pre-pre-pre-Fatigue）×视觉（EO与EC）相互作用。此外，配对样本t检验检查了两种条件（前与效率）之间的差异，以进行时间限制时间（TTB）minima（％调制）。我们发现ML和AP TTBMEANS和AP TTBSD中的疲劳和视力条件之间的显着相互作用。％调制在AP TTBMEAN，ML TTBSD和AP TTBSD中疲劳后显着降低。总而言之，功能性疲劳协议与EO的静态姿势控制能力降低，但与EC保持不变。这表明，由于视觉依赖性较小，在疲劳下EO的平衡能力降低更为明显。这可能会在疲劳下增加踝关节扭伤的发生率。
慢性踝关节不稳定性患者表现出增加的感觉运动皮层激活，并且与较差的单腿姿态相关性与较差的横向平衡能力相关：FNIRS研究
简介：慢性脚踝不稳定性（CAI）是一种肌肉骨骼状况，它是从急性踝关节扭伤中演变而来的，其潜在机制尚未达成共识。越来越多的证据表明，踝关节损伤后大脑的神经塑性变化在CAI的发展中起关键作用。平衡缺陷是与CAI相关的重要危险因素，但是关于与受影响个体平衡控制有关的感觉运动皮质可塑性的证据很少。本研究旨在评估单腿姿态期间CAI和未受伤个体患者之间的皮质活性和平衡能力的差异，以及这些因素之间的相关性，以阐明CAI患者平衡控制的神经生理变化。
步态过程中肥胖和脂肪分布对踝关节共激活的影响
皮肤是人体最大的免疫器官，可保护人体免受外部攻击。越来越多的研究发现，许多皮肤疾病与身体的整体平衡有关，例如免疫状态，身体代谢水平，肠道菌群稳态等。牛皮癣（PSO），特应性皮炎（AD），痤疮和地衣planus（LP）是临床实践中常见的皮肤疾病。牛皮癣是一种与免疫相关的慢性炎症性皮肤病。在皮肤上看到了带有银色尺度的良好定义的红斑斑块。许多研究表明，牛皮癣与自身免疫，代谢，气体结构和心理健康疾病有关[1-4]。瘙痒，多态性病变和渗出趋势是特应性皮炎的常见特征，一种慢性复发和减轻炎症性皮肤病[5]。特应性皮炎与遗传学，自身免疫，环境，胃肠道健康和心理健康有关。该疾病的病因和发病机理并不十分清楚，通常认为这可能是通过免疫介导的途径之间相互作用与环境因素之间相互作用的结果[6]。在青少年和年轻人中，痤疮是Seba腺体的常见慢性炎性疾病[7]。过去，痤疮的发病机理尚未完全理解。遗传因素，雄激素诱导的皮脂分泌，卵泡皮肤腺管角化病，po杆菌雕刻繁殖，免疫炎症反应以及其他因素可能与之相关。它发生在弯曲的肢体上。某些患者的发病机理还受到遗传，免疫，内分泌，情绪和饮食因素的影响。许多研究表明，肠道菌群失衡在痤疮的发病机理中起着至关重要的作用[8]。地衣是一种发炎性皮肤疾病，会影响皮肤，粘膜和adnexa [9]。通常，病变升高，紫红色，平坦的丘疹，小米至绿豆大小或更大，多边形或圆形，绕着张开，表面上有cerioid膜，白色闪亮的点或细小的浅白色网状条纹。病因尚不清楚，可能与免疫，遗传，病毒感染，神经精神病因素等有关。这些常见皮肤疾病的发病率在过去30年中逐渐增加，这已成为全球公共卫生问题。肠道微生物群（GM）是肠道中一个大型且复杂的微生物群落，被认为与人体的保护，免疫力，代谢和营养密切相关。肠道菌群不仅直接影响肠道，而且还可能影响其他器官的正常生理和稳态，例如肺，脑，肝脏和皮肤。为了维持肠皮稳态，肠道菌群起着重要作用[10]。当肠道菌群与免疫系统之间的关系发生变化时，它将对皮肤产生一定的影响，这可能会促进某些皮肤疾病的发生和发育。各种皮肤疾病与肠道菌群改变有关[11]。牛皮癣，特应性皮炎，痤疮和地衣的发病机理可能与肠道微生物群有关。但是，影响皮肤健康的肠道微生物的具体机制尚不清楚。为了加深我们对皮肤疾病的理解，我们应用了门德尔随机化，以进一步探索肠道微生物群和牛皮癣，特应性皮炎，痤疮和地衣planus之间的因果关系。Mendelian随机化（MR）是一种基于全基因组关联研究（GWAS）的汇总数据探索暴露与结果之间因果关系的方法[12]。因果关系[13]。该方法已被广泛用于某些疾病的阶层生物学研究。与传统的观察性研究相比，它具有消除混杂因素的良好效果，并使结果更加稳定和可靠
阿拉伯联合酋长国的糖尿病患者在脚踝关节上具有较高的脚溃疡临床含义的风险开发临床风险评分以分层为严重原因的风险分层：一项前瞻性队列研究
单变量和多元逻辑回归分析用于评估预测因子与结果之间的关联。开发了多元逻辑回归模型。初始变量选择是基于与结果（p <0.20）和临床意义的未经调整的显着关联。临床意义基于以前的系统评价和专家意见。使用计算的共线性诊断（即条件指数，方差通胀因子）。我们的最终多元逻辑回归模型包括最重要和最重要的变量。，我们通过将预测变量的beta系数除以最小的beta系数，并将小数符号将小数舍入数字的标准，并将小数列成最接近的数字。这是为了简化计算并提高可用性。我们计算了每个患者的总分数。对模型的内部验证是通过引导程序进行的，其中我们使用了1000