预测后脚跑步中的垂直地面反应力:波形神经网络模型和因子加载
Dongmei Wang1,2, Shangxiao Li3, Qipeng Song2
1Biomechanics Laboratory College of Human Movement Science, Beijing Sport University, Beijing, China.
Journal of sports sciences
|August 27, 2023
概括
这项研究使用因子加载来选择波形神经网络 (WNN) 模型的动力变量,准确预测跑步者的垂直地面反应力 (vGRF).
科学领域:
- 生物力学 生物力学
- 计算建模计算建模
- 运动科学 运动科学
背景情况:
- 垂直地面反应力 (vGRF) 对于理解运行力学至关重要.
- 准确预测vGRF可以帮助预防伤害和优化性能.
- 以前用于vGRF预测的方法通常涉及复杂的特征选择.
研究的目的:
- 提出一种简单而有效的方法来选择用于vGRF预测的输入变量.
- 在波形神经网络 (WNN) 模型中,利用因子加载来选择动力变量.
- 评估拟议的WNN模型对不同运行速度的vGRF预测的准确性和有效性.
主要方法:
- 采集了9名后脚攻击者在12公里,14公里和16公里/小时的速度下收集的动力数据和vGRF,使用了运动捕捉和仪器化跑步机.
- 使用因子加载来选并选择重要的动力输入变量.
- 开发并验证了一个WNN模型,使用所选变量来预测vGRF.
主要成果:
- 因素加载确定了9个关键的动力学变量,主要与膝关节和脚关节有关.
- 在所有测试速度上,WNN模型显示了对vGRF的高预测准确性 (CMC>0.98,NRMSE<15%).
- 像撞击力,活性力和高峰时间等特定组件的预测准确度很高 (NRMSE<15%).
结论:
- 因子加载是一种有效和有效的方法,用于为人工神经网络模型选择动力变量.
- WNN模型有效地预测vGRF,膝关节是最佳预测因素.
- 这些发现支持使用这种方法在运行分析中准确估计vGRF.
更多相关视频
08:24Sit-to-stand-and-walk from 120% Knee Height: A Novel Approach to Assess Dynamic Postural Control Independent of Lead-limb
Published on: August 30, 2016
10.3K
06:35Using Gold-standard Gait Analysis Methods to Assess Experience Effects on Lower-limb Mechanics During Moderate High-heeled Jogging and Running
Published on: September 14, 2017
9.2K
