使用惯性测量单位预测腿部力量和膝盖时刻:一个体外研究

科学领域:

• 生物力学 生物力学
• 整形外科 整形外科 整形外科
• 机器学习在体育医学中的应用

背景情况:

• 前十字带 (ACL) 断裂通常是由严重的膝盖负荷周期引起的.
• 鉴定这些高风险的负载事件在体内是具有挑战性的,因为运动文物.
• 可穿戴惯性测量单元 (IMU) 为实时监控提供了一个潜在的解决方案.

研究的目的:

• 评估机器学习算法在预测膝盖负荷方面的有效性.
• 评估基于IMU的膝盖时刻和力量预测的准确性和可靠性.
• 确定IMU数据的潜力,以识别与ACL损伤风险相关的严重膝盖负荷周期.

主要方法:

• 七个机器学习算法被训练并使用尸体膝盖样本的数据进行测试.
• 在模拟跳跃着陆过程中,惰性测量单元 (IMU) 放置在膝盖上方和膝盖下方.
• 测量了三维负荷和动力学,模型预测了膝盖的时刻和力.

主要成果:

• 机器学习模型在预测膝盖力量和动作时刻方面表现出可接受的准确性.
• 这些模型表现出可接受的可靠性,尽管观察到一些偏差.
• 这些发现表明,IMU数据可以有效地捕捉膝盖负荷参数.

结论:

• 机器学习算法可以在受控环境中从IMU数据准确预测膝盖负载参数.
• 需要进一步的研究,以解决活体软组织运动工件的动态活动.
• 这种方法有可能用于非侵入性监测ACL损伤风险因素.