基于模拟衍生生物机械特征的可解释机器学习,用于在运行时检测腿筋-四肢不平衡.
Andreea Maria Mănescu1, Andrei Claudiu Tudor2, Corina Claudia Dinciu2
1Faculty of AgriFood and Environmental Economics, Doctoral School, Bucharest University of Economic Studies, 010374 Bucharest, Romania.
Sports (Basel, Switzerland)
|December 24, 2025
概括
这项研究开发了一个机器学习模型,使用模拟的跑步数据来准确检测腿筋-四头肌 (H-Q) 不平衡,这是膝盖不稳定性和跑步者受伤风险的关键指标.
科学领域:
- 生物力学 生物力学
- 运动医学 运动医学
- 机器学习 机器学习
背景情况:
- 腿筋-四肢体 (H-Q) 不平衡是与膝盖不稳定性和跑步中受伤风险增加相关的重要生物机械标志物.
- 准确评估H-Q失衡对于运动员的伤害预防策略至关重要.
研究的目的:
- 引入一个数字机器学习框架来估计H-Q不平衡.
- 利用合成运行试验中的生物力学特征来检测H-Q失衡.
- 为实际应用开发一个概念上映射到惯性传感器数据的模型.
主要方法:
- 一个缩小的肌肉骨模型生成了573个合成运行试验,用于160个虚拟主体,以三种速度运行.
- 关键的生物机械预测指标包括动态H:Q比率 (H:Qdyn),膝盖时刻四肢对称指数 (LSI) 和共收缩指数 (CCI).
- 一个梯度增强分类器被训练并使用ROC-AUC,PR-AUC,平衡精度,F1和Brier分数等指标进行评估.
主要成果:
- 机器学习模型在所有指标上实现了高性能:ROC-AUC 0.933,平衡精度 0.943,PR-AUC 0.918,F1 0.940,以及Brier分数 0.056.
- 动态H:Q比率和膝盖瞬间对称性被确定为最有影响力的预测因素.
- 同收缩指数提供了对肌肉协调的补充见解.
结论:
- 模拟衍生的生物机械数据可以有效地训练机器学习模型来评估肌肉平衡.
- 开发的框架展示了可解释的机器学习,用于在体育医学中透明地评估H-Q失衡.
- 这种方法有可能为跑步者的伤害预防和性能提升提供信息.
