在抵抗训练中以机器学习驱动的肌肉疲劳估计,使用辅助机器人技术
Jun-Young Baek1,2, Jun-Hyeong Kwon2, Hamza Khan2
1Department of Mechanical Engineering, Pusan National University, 2, Busandaehak-ro 63beon-gil, Geumjeong-gu, Busan 46241, Republic of Korea.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究使用力数据预测肌肉疲劳,显示疲劳进展是关键. 机器学习准确地估计了感知到的劳动力,用于更智能的抵抗训练和康复.
科学领域:
- 生物力学 生物力学
- 运动生理学 运动生理学
- 机器学习 机器学习
背景情况:
- 监测肌肉疲劳对于安全有效的抵抗训练至关重要.
- 目前的EMG,IMU和RPE等方法存在局限性,特别是在自动化或无监督的环境中.
研究的目的:
- 开发一种机器学习模型,直接从阻力练习期间的力-时间数据中预测感知劳动力 (RPE) 的评级.
- 评估生物力学特征与疲劳进展之间的关系.
主要方法:
- 32名男性参与者在7RM负载下进行了异动力学长板压组.
- 记录了力时间数据和RPE;提取了生物机械和工程特征.
- 训练了一种随机森林模型,从这些特征中预测RPE.
主要成果:
- 肌肉疲劳的进展,而不是绝对力量,与RPE有很强的相关性.
- 工程特征显著提高了预测准确度.
- 随机森林模型在±1 RPE单位内实现了>93%的准确性.
结论:
- 使用力-时间数据的机器学习方法可以在抵抗训练期间准确预测RPE.
- 这种方法有可能集成到智能炼机器中,用于自动调节负载.
- 应用包括增强运动训练和康复计划.
更多相关视频
07:30The Muscle Cuff Regenerative Peripheral Nerve Interface for the Amplification of Intact Peripheral Nerve Signals
Published on: January 13, 2022
2.4K
04:49Author Spotlight: Enhancing Post-Stroke Upper Limb Rehabilitation with Robotic Technologies for Improved Motor Recovery and Functional Outcomes
Published on: September 6, 2024
1.4K
