穿戴式内传感器在现场运行中的应用:使用机器学习估计下肢负荷
Shipan Lang1, Jun Yang2, Yong Zhang2
1College of Computer and Information Science & College of Software, Southwest University, Chongqing 400715, China.
Biosensors
|February 25, 2025
概括
这项研究引入了一种新的机器学习模型,使用内传感器来预测跑步时的小腿骨负荷. 这种方法有助于早期检测和预防运动员因疲劳引起的肌肉骨损伤.
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:
- 高强度活动会导致肌肉骨损伤,特别是部疲劳损伤.
- 目前的监控方法缺乏同步的多源数据和深度信号分析.
- 可穿戴算法经常错过了早期伤害检测的关键深度信号特征.
研究的目的:
- 开发一种机器学习模型,用内压力信号来估计垂直地面反应力 (vGRF) 和骨力 (TBF).
- 创建一个同步的数据集,结合实验室设备和可穿戴内数据,用于培训和验证.
- 增强早期检测和预防部疲劳损伤.
主要方法:
- 在实验室设备和可穿戴内传感器同时收集数据.
- 开发一个集成时间卷积网络 (TCN) 和变压器模块的机器学习模型.
- 引入一个Weight-MSELoss函数,以提高峰值预测的准确性.
主要成果:
- 对于vGRF预测,实现了7.33%的正常化根平均平方误差 (NRMSE).
- 实现了TBF预测的10.64%的正常化根平均平方误差 (NRMSE).
- 该模型有效地整合了局部特征提取和全球建模,以准确估计力.
结论:
- WearLab-Leg数据集和拟议的TCN-变压器模型为生物机械监控提供了一个方便的解决方案.
- 提供可靠的数据和技术支持,用于早期警告运动员和患者因疲劳引起的伤害.
- 提升了非侵入性,准确评估带负荷和受伤风险的潜力.
