基于智能手机的可解释机器学习,用于使用干部,骨盆和膝关节动力学对单腿地表现的分类:横截面研究.

科学领域:

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

背景情况:

• 单腿 (SLS) 的表现对于评估功能运动质量至关重要.
• 目前的评估方法,如视觉分级或动作捕捉,都有局限性.
• 传统的标准往往错过了协调模式,这表明性能受损.

研究的目的:

• 评估用于SLS性能分类的可解释机器学习框架的可行性.
• 用智能手机视频将SLS性能分为好,中等和差等级.
• 通过使用SHAP和LIME评估协调信息的特征和模型可解释性.

主要方法:

• 一个数据集的正面视图SLS视频被收集和标记由物理治疗师.
• 2D姿势估计处理视频,从干,骨盆和膝盖中提取17个运动特征.
• 分类器被训练在8个选定的特征,与SHAP和LIME用于可解释性.

主要成果:

• 适应性增强在测试组中实现了0.84准确度,0.85F1得分和0.92AUC.
• 关键的预测特征包括总结角度,膝盖与骨干的相互作用,膝盖与骨干的比率和膝盖的角度.
• SHAP和LIME提供了对全球和本地模型预测的见解.

结论:

• 使用智能手机视频开发了一个可解释的SLS分类机器学习框架.
• 该框架提供了超越孤立关节偏差的透明运动解释.
• 这种方法支持康复规划和伤害预防策略.