相关实验视频
Updated: Jun 13, 2025
10:53
A Novel Application of Musculoskeletal Ultrasound Imaging
Published on: September 17, 2013
24.1K
在单脚降落下降时,通过使用机器学习的姿势估计来计算膝盖角的可靠性和有效性
Makoto Asaeda1,2, Tomoya Onishi1, Hideyuki Ito1
1Faculty of Wakayama Health Care Sciences, Takarazuka University of Medical and Health, 2252 Nakanoshima, Wakayama, 640-8392, Japan.
Heliyon
|September 16, 2024
概括
使用AI姿势估计的动态膝盖 (DKV) 计算是可靠的,当初始地面接触正常化时是有效的. 这为伤害预防策略提供了昂贵的运动分析的实用替代方案.
科学领域:
- 生物力学 生物力学
- 运动医学 运动医学
- 人工智能的人工智能
背景情况:
- 动态膝盖 (DKV) 是预防前十字带 (ACL) 损伤的关键因素.
- 传统的3D运动分析系统用于DKV评估是昂贵的,并且无法用于广泛的运动员查.
- 无标记运动捕捉和姿势估计提供了潜在的替代方案,但它们对DKV评估的可靠性和有效性尚未被证明.
研究的目的:
- 用人工智能驱动的姿势估计来评估动态膝盖 (DKV) 计算的可靠性和有效性.
- 将姿势估计的DKV测量与黄金标准的3D运动分析系统进行比较.
- 确定使用姿势估计用于预防ACL损伤的DKV计算的最佳方法.
主要方法:
- 15名参与者进行了单腿跳跃着陆.
- 用AI姿势估计 (MediaPipe Pose) 和3D运动捕捉 (VICON MX) 来计算膝关节的角度.
- 计算包括绝对值和初始地面接触 (IC) 的变化;使用ICC和Pearson的相关性来评估可靠性和有效性.
主要成果:
- 人工智能姿势估计显示DKV值明显高于3D运动分析 (误差范围为18.83-19.68°).
- 绝对的DKV值缺乏显著的并发有效性,而从IC的变化显示出良好的可靠性和有效性.
- 对于绝对的DKV,评级者之间的可靠性很低,但对于从IC的变化来说是好的.
结论:
- 人工智能支持的姿势估计是DKV评估在ACL伤害预防中的实用工具.
- 根据初始接触地面的角度对DKV计算进行规范化对于可靠和有效的测量至关重要.
- 这种方法为运动员查和伤害预防策略提供了更容易获得的方法.
