使用无监督学习神经网络进行运动模式的表征:探索一种新的方法来监控运动员在回避过程中进行运动

科学领域:

• 运动科学 运动科学 运动科学
• 生物机械分析 生物机械分析
• 运动中的机器学习

背景情况:

• 运动员监测对于预防伤害,检测疲劳和恢复比赛协议至关重要.
• 对运动模式的客观描述可以提高伤害风险评估.
• 了解肢体在运动策略中的优势对于个性化训练至关重要.

研究的目的:

• 评估Kohonen神经网络自我组织地图 (SOM) 在客观描述回避运动模式方面的有效性.
• 调查已识别的运动模式与受伤风险因素之间的联系.
• 评估SOM在探测避开过程中的四肢优势时的灵敏度.

主要方法:

• 训练了一种SOM,使用67名运动员 (613个试验) 的3D下体标志物轨迹.
• 使用了一个SOM,在43x29的地图上,在六角形拓上有1247个神经元.
• 分析了61,913个输入向量,以确定独特的身体姿势和运动模式.

主要成果:

• 在SOM成功地确定了1247个独特的身体姿势从回避运动.
• 在占主导地位和非占主导地位的腿部回避之间观察到不同的运动策略.
• 一个确定的运动策略与前十字带 (ACL) 损伤风险因素有显著的关联.

结论:

• 无监督机器学习,特别是SOM,可以通过分析复杂的运动数据,有效地监控个体运动员的状态.
• 这种方法提供了对移动模式及其与伤害风险的关系的客观见解,而无需简化数据.
• 这些发现支持使用先进的计算方法来个性化运动员表现和伤害管理.