Connecting the legs with a spring attached to the shoelaces reduces the energy cost of running, but how the spring reduces the energy burden of individual muscles remains unknown. We generated muscle-driven simulations of seven individuals running with and without the spring to discern whether savings occurred during the stance phase or the swing phase, and to identify which muscles contributed to energy savings. We computed differences in muscle-level energy consumption, muscle activations, and changes in muscle-fiber velocity and force between running with and without the spring. Across participants, running with the spring reduced the measured rate of energy expenditure by 0.9 W/kg (8.3%). Simulations predicted a 1.4 W/kg (12.0%) reduction in the average rate of energy expenditure and correctly identified that the spring reduced rates of energy expenditure for all participants. Simulations showed most of the savings occurred during stance (1.5 W/kg), though the rate of energy expenditure was also reduced during swing (0.3 W/kg). The energetic savings were distributed across the quadriceps, hip flexor, hip abductor, hamstring, hip adductor, and hip extensor muscle groups, whereas no changes in the rate of energy expenditure were observed in the plantarflexor or dorsiflexor muscles. Energetic savings were facilitated by reductions in the rate of mechanical work performed by muscles and their estimated rate of heat production. The simulations provide insight into muscle-level changes that occur when utilizing an assistive device and the mechanisms by which a spring connecting the legs improves running economy.

Creating large-scale public datasets of human motion biomechanics could unlock data-driven breakthroughs in our understanding of human motion, neuromuscular diseases, and assistive devices. However, the manual effort currently required to process motion capture data and quantify the kinematics and dynamics of movement is costly and limits the collection and sharing of large-scale biomechanical datasets. We present a method, called AddBiomechanics, to automate and standardize the quantification of human movement dynamics from motion capture data. We use linear methods followed by a non-convex bilevel optimization to scale the body segments of a musculoskeletal model, register the locations of optical markers placed on an experimental subject to the markers on a musculoskeletal model, and compute body segment kinematics given trajectories of experimental markers during a motion. We then apply a linear method followed by another non-convex optimization to find body segment masses and fine tune kinematics to minimize residual forces given corresponding trajectories of ground reaction forces. The optimization approach requires approximately 3-5 minutes to determine a subject9s skeleton dimensions and motion kinematics, and less than 30 minutes of computation to also determine dynamically consistent skeleton inertia properties and fine-tuned kinematics and kinetics, compared with about one day of manual work for a human expert. We used AddBiomechanics to automatically reconstruct joint angle and torque trajectories from previously published multi-activity datasets, achieving close correspondence to expert-calculated values, marker root-mean-square errors less than 2 cm, and residual force magnitudes smaller than 2% of peak external force. Finally, we confirmed that AddBiomechanics accurately reproduced joint kinematics and kinetics from synthetic walking data with low marker error and residual loads. We have published the algorithm as an open source cloud service at AddBiomechanics.org, which is available at no cost and asks that users agree to share processed and de-identified data with the community. As of this writing, hundreds of researchers have used the prototype tool to process and share about ten thousand motion files from about one thousand experimental subjects. Reducing the barriers to processing and sharing high-quality human motion biomechanics data will enable more people to use state-of-the-art biomechanical analysis, do so at lower cost, and share larger and more accurate datasets.