シミュレーション由来の生体力学的特徴量を用いた解釈可能な機械学習によるハムストリングス-大腿四頭筋不均衡検出

科学分野:

• 生体力学
• スポーツ医学
• 機械学習

背景:

• ハムストリングス-大腿四頭筋（H-Q）不均衡は、ランニングにおける膝の不安定性と怪我のリスク増加に関連する重要な生体力学的マーカーである。
• H-Q不均衡の正確な評価は、アスリートの怪我予防戦略にとって不可欠である。

研究 の 目的:

• H-Q不均衡を推定するためのデジタル機械学習フレームワークを導入する。
• H-Q不均衡検出のために、合成ランニングトライアルからの生体力学的特徴量を利用する。
• 実用的なアプリケーションのために慣性センサデータに概念的に対応するモデルを開発する。

主な方法:

• 縮小された筋骨格モデルは、160人の仮想被験者に対して3つの速度で573の合成ランニングトライアルを生成した。
• 主要な生体力学的予測因子には、動的なH:Q比（H:Qdyn）、膝モーメントの四肢対称指数（LSI）、および共同収縮指数（CCI）が含まれた。
• 勾配ブースティング分類器を訓練し、ROC-AUC、PR-AUC、balanced accuracy、F1、Brier scoreなどの指標を用いて評価した。

主要な成果:

• 機械学習モデルは、ROC-AUC 0.933、balanced accuracy 0.943、PR-AUC 0.918、F1 0.940、Brier score 0.056の全指標で高いパフォーマンスを達成した。
• 動的なH:Q比と膝モーメントの対称性が最も影響力のある予測因子として特定された。
• 共同収縮指数は、筋協調に関する補完的な洞察を提供した。

結論:

• シミュレーション由来の生体力学的データは、筋バランスを評価するための機械学習モデルを効果的に訓練できる。
• 開発されたフレームワークは、スポーツ医学における透明性の高いH-Q不均衡評価のための解釈可能な機械学習を示す。
• このアプローチは、ランナーの怪我予防とパフォーマンス向上に情報を提供する可能性がある。