循环神经网络的有效性用于预测自行车骑行中的踏板力和下肢动力学

科学领域:

• 生物力学 生物力学
• 运动科学 运动科学 运动科学
• 人工智能的人工智能

背景情况:

• 了解踩踏机制对于预防骑自行车受伤至关重要.
• 直接测量踏板力和关节时刻是昂贵的.
• 人工神经网络 (ANN) 提供了一个潜在的解决方案,可以从动态数据中预测这些动态变量.

研究的目的:

• 训练和验证反复出现的ANN模型,用于预测骑自行车时的3D踏板力,下肢关节时刻和下肢动力学功率.
• 与测量值相比,评估ANN预测的动力数据的准确性和可靠性.

主要方法:

• 利用了来自27名骑自行车者 (17人进行训练,10人进行测试) 跨越各种功率输出和节奏的ergometer踩踏数据.
• 使用循环人工神经网络 (ANN) 来从动态数据中预测动态变量.
• 应用统计参数映射 (SPM) 分析测量和预测变量之间的相关性.

主要成果:

• 该模型表现出强大的预测能力,平均相关性值在0.79到0.96.9之间.
• 对于大多数峰值动力变量 (p < 0.05) 发现了显著的正相关性.
• 预测错误在可以接受的范围内,与日间评估变化可比.

结论:

• 循环ANN有效地预测3D踏板力,关节时刻和自行车运动中的动力.
• 这种由人工智能驱动的方法提供了一种具有成本效益和可靠的方法来获得循环运动数据.
• 这些发现支持使用ANN来增强我们对踩踏力学和伤害预防策略的理解.