使用一个低成本的二维摄像机预测动力强度指数 (DSI):一种机器学习方法

科学领域:

• 生物力学 生物力学
• 运动科学 运动科学 运动科学
• 机器学习应用 机器学习应用

背景情况:

• 动力强度指数 (DSI) 是神经肌肉性能的一个关键指标.
• 传统的DSI评估依赖于昂贵的强力板和实验室级设备.
• 需要更容易获得和更具成本效益的方法来评估DSI.

研究的目的:

• 为了研究低成本的有效性,2D视频摄像头系统与监督机器学习 (ML) 模型相结合,用于预测DSI.
• 评估基于视频的弹力估计在反运动跳跃 (CMJ) 期间的准确性.
• 为神经肌肉诊断提供可扩展和非侵入性的替代方案.

主要方法:

• 263名健康参与者进行了CMJ和同位数中部拉动 (IMTP).
• 用动力计测量同度力;根据2D视频数据估计弹道力.
• 六个时空视频特征,高度和重量被用来训练回归模型 (高斯过程回归,神经网络).

主要成果:

• 高斯过程回归和神经网络显示了DSI的高预测准确性 (R2 > 0.92,RMSE < 0.06).
• 基于视频的估计显示出与实验室衍生的强力板值有很好的一致性.
• 机器学习模型使用视频衍生的时空特征成功预测了DSI.

结论:

• 将简单的2D视频系统与ML算法相结合,为DSI估计提供了一种准确且负担得起的方法.
• 这种方法为神经肌肉评估提供了传统实验室设备的可扩展,非侵入性的替代方案.
• 这些发现支持对绩效监测的更广泛的访问,特别是在现场设置和青少年运动中.