相关实验视频
Updated: Jun 18, 2026
10:53
A Novel Application of Musculoskeletal Ultrasound Imaging
Published on: September 17, 2013
23.3K
在运行过程中使用卷积神经网络对连续的3D膝盖时刻进行基于可穿戴设备的估计
Lucas Höschler1, Christina Halmich2,3, Christoph Schranz3
1Department of Sport and Exercise Science, University of Salzburg, Hallein, Austria.
Sports biomechanics
|March 24, 2025
概括
这项研究开发了一种机器学习模型,使用可穿戴传感器来估计跑步期间的3D膝盖时刻. 该方法提供了一种可行的,近乎实时的方法,用于评估运行生物力学,减少预处理.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 在跑步时估计3D膝盖时刻对于了解受伤机制至关重要.
- 以前的方法通常需要广泛的实验室设置和复杂的数据处理.
研究的目的:
- 开发和验证一种机器学习 (ML) 方法,用于使用可穿戴传感器数据在运行过程中估计连续的3D膝盖时刻.
- 评估本ML方法在不同运行条件和车身段的准确性和可靠性.
主要方法:
- 一个卷积神经网络 (CNN) 被训练使用7个惯性测量单元 (IMU) 和2个压力内的数据.
- 从19名在跑步机上的休跑步者收集了数据,这些跑步者在不同的坡度,速度和鞋履条件下跑步.
- 在连续的时间窗口和立场阶段中,使用类内相关性 (ICC) 和正常化根平均平方误差 (nRMSE) 评估表现.
主要成果:
- 机床模型显示出对角平面膝关节运动的良好到优秀的一致性 (ICC:0.84-0.98) 和低误差 (nRMSE:0.05-0.11).
- 对于非三角形平面 (正面:ICC 0.19-0.90;横向:ICC 0.72-0.94) 的精度较低.
- 与连续分析 (CONT) 相比,在立场阶段 (PHSS) 的准确性下降.
结论:
- 开发的ML方法为基于可穿戴设备的运行动力学评估提供了一种可行的,近乎实时的方法.
- 这种方法的准确性与现有技术的准确性相比或更高,预处理较少.
- 进一步改进解决个体间的变异性可能会提高评估前面平面损伤风险因素的准确性.
