XiaoMi-AI文件搜索系统
World File Search System肌肉
肌肉力量和大小与单方面渐进抗性训练Donald D. Deiwert 1，Sisi MA 2，Christopher Carey 1，Davin
肌肉力量和大小与单方面渐进式抵抗训练唐纳德·D·D·D·迪沃特（D. D. D. D. D. D. Deiwert 1，Sisi MA 2，Christopher Carey 1，Davin Greenwell 1，Heather Gordish-Dressman 3，Paul D. Thompson 4，Thomas Price 5，Thomas Price 5，Theodore J.Theodore J. Angelopoulos 6，Angelopoulos 6，Priscilla M.Clarkarkson * Paul S. Visich 10，Robert F. Zoeller 11，Eric P. Hoffman 12和Monica J. Hubal 1 1 Indiana University，印第安纳大学印第安纳波利斯的运动机能学系； 2明尼阿波利斯明尼苏达州明尼苏达大学的健康信息学研究所； 3华盛顿特区乔治华盛顿大学基因组学和精密医学系； 4 Hartford CT康涅狄格州哈特福德医院心脏病学系； 5卫生科学学院，布里奇波特大学，布里奇波特康涅狄格大学； 6伯灵顿VT佛蒙特大学康复与运动科学系； 7卫生部，人类绩效和娱乐系，韦科德克萨斯州贝勒大学； 8爱尔兰都柏林怀特霍尔市都柏林市大学临床演习生理学系； 9康涅狄格大学Storrs CT的运动机能学系； 10新英格兰大学的运动与运动表演系，Biddeford ME； 11佛罗里达州大西洋大学运动科学与健康促进系，Bocca Raton FL；纽约宾厄姆顿大学制药科学系12； *通过培训对应作者，肌肉的大小/力量变化：Monica J Hubal，博士，FACSM副教授 - 运动学印第安纳大学印第安纳波利斯901 West New York ST； PE266印第安纳波利斯，46202电子邮件：mhubal@iu.edu电话：317-278-2343
Xbox-kinect用于平衡，运动功能，功能状态和肌肉张力
中风是由脑血管病变引起的急性局灶性局灶性神经功能障碍，成为全球死亡的第一个原因，也是幸存者残疾的第三个原因，运动和认知改变，例如半倍，痉挛，痉挛，肌肉无力和损失平衡。 div>基于虚拟现实的主动游戏已被用作前庭疾病，平衡和中风的改变。 div>Xbox 360/kinect是一种使用相机来启用游戏体验而无需物理控制器的设备，可以通过视觉刺激诱导认知决策。 div>这篇综述的目的是分析Xbox/Kinect对幸存的中风患者的平衡，运动功能，功能状态和肌肉张力的康复的影响。 div>本综述遵循Prism指南的方法论过程。 div>从PubMed Scientific数据库，Scopus，Pedro中选择10项研究。 div>四项研究的主要结果接近了列出的三个变量。 div>但是，在大多数研究中，Xbox/Kinect干预对运动功能的影响随后是平衡。 div>总之，Xbox/Kinect是一种互补的创新方法，不能取代其他物理治疗方式，可以提高患者对治疗的依从性，从而通过重复性活动来优化神经可塑性。 div>关键字：老年人，中风，锻炼视频游戏，虚拟现实，捕获运动。 div>
治疗脊柱肌肉萎缩的疗法
脊髓肌肉萎缩（SMA）是一种罕见的遗传神经肌肉疾病，最严重的病例影响了婴儿和幼儿。1,2 SMA发病率约为15,000分中的15,000分之一，在美国（美国）每年约有500例新的SMA病例。3 4 SMA的最常见原因是在5q染色体上的生存运动神经元1（SMN1）基因的等位基因的纯合缺失或缺失和突变。5-7 SMN1创建生存运动神经元（SMN）蛋白，这是一种对运动神经元发育必不可少的蛋白质。尽管生存运动神经元2（SMN2）基因也会产生SMN蛋白，但只有少量的蛋白质才能起作用。SMN2复制的数量调节了SMA的严重程度，但没有SMN1的患者的SMN蛋白水平不足，而不管SMN2拷贝的数量多少。8这种缺乏会导致运动神经元的不可逆变性，这导致肌肉无力，并防止患者达到运动里程碑或保持运动功能。1
Microsoft Word - 04-老年人站立测试中的腿部肌肉活动和相似性指数
目的：双腿、串联和左右单腿站立（DLS、TS、L-SLS 和 R-SLS）的总时间通常用于评估老年人的稳定性。为了提供老年人运动控制能力的详细信息，肌肉活动数据至关重要。背景：几种站立测试已用于评估老年人未来跌倒的可能性。将肌肉活动数据与站立测试一起纳入稳定性分析，将提供更可靠的姿势稳定性定量指标。方法：我们收集了 22 名老年参与者（70.3±4.2 岁）每条腿六块肌肉的表面肌电图 (sEMG) 数据，并使用大脑运动控制评估 (BMCA) 协议对其进行评估，重点关注幅度和相似性指数 (SI)。15 名能够保持站立至少 10 秒或更长时间的参与者组成对照组，而 7 名保持站立时间少于 10 秒的参与者被分为测试组。结果：对于右侧单腿站立 (R-SLS)，对照组显示为 28.1(±3.5) 秒，而测试组平均为 8.9(±4.6) 秒。对照组所有站立姿势的总平均 EMG 幅度为 120.0(±45.6) uV，而测试组为 131.6(±75.5) uV (p > 0.56)。对照组的 SI 为 0.94(±0.04)，测试组为 0.84(±0.15) (p < 0.02)。右侧和左侧之间没有发现显著差异。值得注意的是，两名测试组参与者在所有站立姿势下的 SI 值都很低（平均 SI = 0.69±0.16 和 0.60±0.12）。结论：我们应用 BMCA 协议来分析健康老年人在站立测试期间的 sEMG 模式。相似性指数有望成为一种有效的筛查工具，用于识别存在稳定性问题的人。此外，BMCA 协议可用于在各种稳定性测试中监测老年人的运动控制能力。应用：本研究使用 BMCA 协议评估这些姿势下的 sEMG，表明 SI 和维持时间可能是识别平衡困难的老年人的有效筛查工具。关键词：肌电图、单腿姿势、相似性指数、脑运动控制评估 (BMCA)、筛查工具
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
未经训练运动员肌肉酸痛发作延迟的诱发因素：一项横断面研究
DOMS是肌肉纺锤体中神经末端的急性神经元压缩轴突病[6]。它可能是从肌肉纺锤体引发的，还可能是由“封闭栅极”的催眠状态引起的，这是由微型I型I型感觉纤维增强引起的，此外，除了初始交感神经系统（SNS）抑制外，还可以在同心运动过程中保持闭合。这会导致非药理神经性疼痛[7]。doms可以作为重复偏心收缩的安全功能，因为它在肌肉纺锤体传入的感觉和运动神经元末端的微小损伤时可以解决。DOM的感觉主要由IV组传入纤维以及对各种刺激（包括化学，机械和热反应）的多模态反应。根据有效性的顺序，在IV组肌肉纤维中引起作用电位的化学物质是缓激肽，5-羟色胺，组胺和钾[8]。
肌肉骨骼疾病：理解，原因和治疗选择。
肌肉骨骼疾病（MSDS）是一组影响体内肌肉，骨骼，关节，肌腱，韧带和其他软组织的疾病。这些疾病的范围从较小的扭伤和菌株到严重的疾病，这些疾病会损害流动性和生活质量。MSD的患病率很高，使其成为全球残疾的主要原因之一。了解肌肉骨骼疾病的原因，症状和治疗方案对于预防和有效的管理至关重要。MSD的主要原因之一是重复应变或过度使用。需要重复运动的活动，例如打字，举重或运动，可能会导致肌肉和关节磨损。随着时间的流逝，这种菌株会引起炎症，肌肉疲劳和对组织的损害，从而导致慢性疼痛和僵硬。身体创伤，例如骨折，扭伤或脱位，可能会导致肌肉骨骼损伤。是由事故，跌倒还是与运动相关的活动引起的，如果没有得到适当的治疗，这些伤害可能会导致长期损害。[1,2]。
通过密度比的正交分解来学习皮质肌肉依赖性
皮质脊髓神经途径对于运动控制和移动执行至关重要，在人类中，通常使用并发的电解质学（EEG）和肌电图（EMG）录音来研究它。但是，当前捕获这些记录之间高级和上下文连接性的方法具有重要的局限性。在这里，我们基于密度比的正交分解来介绍统计依赖估计量的新应用，以模拟皮质和肌肉振荡之间的关系。我们的方法通过学习特征值，特征函数和密度比的投影空间从信号实现的实现，解决皮质 - 肌肉连接性皮质的可解释性，可伸缩性和局部时间依赖性来扩展。我们通过实验证明，从皮质肌肉连通性中学到的本征函数可以准确地对运动和受试者进行分类。此外，它们揭示了确认运动过程中特定脑电图通道激活的通道和时间依赖性。我们的代码可在https://github.com/bohu615/corticomuscular-eigen-coder上找到。