基于AI的头部冲击位置,速度和力量的识别,基于头部运动学模拟

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:

• 可穿戴式传感器提供了广泛的头部动力学数据,但直接测量方向,速度和力等关键冲击参数仍然是一个挑战.
• 准确的头部撞击数据对于推进头盔设计和提高体育安全至关重要.
• 目前的方法缺乏精确度,以充分描述体育活动期间的头部冲击.

研究的目的:

• 开发和验证一种深度学习模型,能够从头部动力学中预测关键的头部冲击参数.
• 为了能够准确估计撞击方向,速度和力在头盔撞击期间.
• 通过先进的数据分析,提供一种新的工具来提高头盔的安全性和设计.

主要方法:

• 利用长短期内存 (LSTM) 网络处理头部动力学数据,包括线性加速和角速度.
• 在使用Riddell头盔有限元素模型对16000次模拟头部冲击的大型数据集上训练模型.
• 用仪器口罩和视频分析记录的79次头部撞击的现场数据集验证了模型的性能.

主要成果:

• 深度学习模型在模拟中准确预测了撞击方向,速度和力概况,达到超过70%的R平方值.
• 现场验证证明了卓越的性能,该模型在识别撞击位置时达到79.7%的准确性,明显优于传统方法 (最大49.4%).
• 该模型的预测显示出高精度,与分析头部冲击的现有技术相比,提供了显著的改进.

结论:

• 开发的深度学习模型显示了通过提供精确的冲击数据来改善头盔设计和体育安全的巨大潜力.
• 建议对各种各样的头盔,运动和大型体内数据集进行进一步验证,以确认该模型的广泛适用性.
• 未来的研究应该探索转移学习技术,以提高模型在各种场景中的有效性,并改进头部冲击分析.