使用基于肩部运动范围的K-means算法对肩部运动模式进行集群
Gyeong-Tae Gwak1, Ui-Jae Hwang1, Jun-Hee Kim1
1Laboratory of KEMA AI Research (KAIR), Department of Physical Therapy, College of Software and Digital Healthcare Convergence, Yonsei University, 1, Yeonsedae-gil, Maeji-ri, Heungeop-myeon, Wonju-si, Gangwon-do, 26493, Wonju, South Korea.
Journal of bodywork and movement therapies
|December 11, 2024
概括
这项研究使用运动范围数据将肩膀运动模式分为八个不同的集群. 这些发现揭示了一般人群中的多样化肩部运动,有助于未来对肌肉骨疾病的研究.
科学领域:
- 生物力学 生物力学
- 人类运动分析 人类运动分析
- 人类测量学 人类测量学.
背景情况:
- 肩关节运动范围 (RoM) 对于上肢功能至关重要.
- 了解不同的肩部移动模式对于识别功能限制和潜在的受伤风险至关重要.
- 以前的研究还没有全面分类基于人口的肩部运动模式.
研究的目的:
- 为了分类和识别不同的肩膀运动模式.
- 使用K-means集群算法对肩部运动范围 (RoM) 数据进行分析.
- 建立一个与肌肉骨疾病相关的运动模式的基础.
主要方法:
- 一项观察性研究利用了来自第五大规模韩国人类测量调查 (2003-2004) 的数据.
- 分析了541名参与者的匿名肩部RoM测量结果.
- 基于肩膀曲,延伸,内部旋转,外部旋转,水平加伸和水平移除的集群.
主要成果:
- 确定了八个不同的集群,代表独特的肩部移动性特征.
- 集群在曲,内部旋转和水平引能力方面存在显著差异.
- 特定的集群在特定的运动中显示出明显的低或高范围,表明不同的功能配置文件.
结论:
- 这项研究成功地将一般人群的肩部运动分为八个不同的集群.
- 已识别的集群突出显示了肩部移动性的显著多样性.
- 这些发现可以为有针对性的治疗策略和研究运动模式与肌肉骨疾病之间的关系提供信息.
