一种机器学习方法用于预测骑自行车中的踩踏力概况.

科学领域:

• 生物力学 生物力学
• 运动科学 运动科学 运动科学
• 机器学习 机器学习

背景情况:

• 准确的踏踏动力学测量对于优化运动训练,康复和了解肌肉骨生物力学至关重要.
• 踏板反应力对于肌肉骨建模至关重要,但传统的传感器仪器仪表昂贵,需要大量的后处理.
• 机器学习 (ML),特别是神经网络 (NN) 模型,为具有成本效益的动力分析提供了一个有希望的途径.

研究的目的:

• 开发和验证神经网络 (NN) 模型,用于预测骑自行车时的半径和中侧踏板力.
• 提供一种低成本,易于使用的方法,用于使用静止自行车人体运动计来分析踩踏生物力学.
• 评估NN模型对实时力预测的准确性和计算效率.

主要方法:

• 开发了一个神经网络 (NN) 模型,利用数据,包括踏板力,曲面角度,节奏,功率和参与者人类学.
• 收集了来自15名健康个体的踏板力数据,他们使用3轴力系统以自选和更高的节奏执行踏板任务.
• 评估了NN模型的性能,用于辐射和中侧力预测,使用主体间规范化根平均平方误差 (nRMSE).

主要成果:

• 该NN模型表现出强大的预测准确性,在高频率下实现了0.15 ± 0.02的辐射力和0.26 ± 0.05的中侧力之间的nRMSE.
• 在自我选择的节奏下,该模型产生了0.20 ± 0.04 (辐射) 和0.22 ± 0.04 (中侧) 的nRMSE值.
• 该模型表现出较低的计算时间,使其适合实时踏板力估计.

结论:

• 开发的NN模型为在自行车生物力学研究中估计踏板力提供了准确且低成本的解决方案.
• 这种基于机器学习的方法可以通过提供详细的动力洞察来显著帮助优化康复和运动训练.
• 该模型的效率和准确性与生物力学数据分析的ML进步保持一致,与步态分析算法相似.