摘要： 膝關(guān)節(jié)力（ k n e ej o i n tf o r c e s ， K J F） 是用于推斷膝關(guān)節(jié)結(jié)構(gòu)所受載荷的生物力學(xué)指標(biāo)， 利用可穿戴傳感器獲得的數(shù)據(jù)， 可估計(jì)運(yùn)動(dòng)過(guò)程中的 K J F． 在１ ４名參與者的右腿上安裝兩個(gè)慣性測(cè)量單元（ i n e r t i a lm e a s u r e m e n tu n i t ， I MU） ， 并按要求執(zhí)行各種運(yùn)動(dòng)動(dòng)作， 包括直線、 變向和跳躍運(yùn)動(dòng)， 采用生物力學(xué)模擬方法確定 K J F， 用訓(xùn)練神經(jīng)網(wǎng)絡(luò)對(duì)I MU信號(hào)和 K J F時(shí)間序列之間的關(guān)聯(lián)進(jìn)行建模． 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的垂直 K J F的相關(guān)系數(shù)為０． ６ １～０． ９ ３， 前后 K J F的相關(guān)系數(shù)為０． ６ ３～０． ９ １， 內(nèi)外側(cè) K J F的相關(guān)系數(shù)為０． ２ ６～０． ６ １． 中度跑垂直 K J F的相關(guān)性最高（ ０． ９ ３±０． ３ ２） ． 垂直 K J F值和前后 K J F值表明， 在大多數(shù)運(yùn)動(dòng)中， 人工神經(jīng)網(wǎng)絡(luò)（ a r t i f i c i a ln e u r a ln e t Ｇw o r k， ANN） 的預(yù)測(cè)結(jié)果與 K J F參考值之間具有良好的一致性．

關(guān)鍵詞： 體育運(yùn)動(dòng); 膝關(guān)節(jié)力; 人工神經(jīng)網(wǎng)絡(luò); 可穿戴傳感器

中圖分類(lèi)號(hào)： G ８ ０ ４． ６ ３

文獻(xiàn)標(biāo)志碼： A

Research on Machine Learning

Evaluation Method of Knee Joint Force in Sports

ZHU Shan-shan

（Tongling University， Tongling 244400， Anhui， China）

Abstract：Knee joint force （KJF） is a biomechanical index used to infer the load on the knee joint structure. In this paper， an artificial neural network （ANN） is developed to estimate the KJF in motion based on the data obtained by wearable sensors. Fourteen participants installed two inertial measurement units （IMU） on their right legs and performed various movements as required， including linear， reversing and jumping movements. the KJF was determined by biomechanical simulation， and the neural network was trained to model the correlation between IMU signals and KJF time series. The KJF correlation coefficients predicted by neural network were 0.61～0. 93 （vertical KJF）， 0. 63～0. 91 （anterior and posterior KJF） and 0. 26 ～0.61 （medial and lateral KJF）. The vertical KJF correlation of moderate running was the highest （0.93±0.32）. The vertical KJF values and the front and back KJF values show that there is a good consistency between the predicted results of ANN and the reference KJF in most movements.

Key words：sports; knee joint force; artificial neural network; wearable sensor

0 引言

膝關(guān)節(jié)疼痛和損傷是職業(yè)運(yùn)動(dòng)員和業(yè)余運(yùn)動(dòng)員普遍面臨的一個(gè)嚴(yán)重問(wèn)題． 這不僅直接影響他們的運(yùn)動(dòng)表現(xiàn)， 還可能導(dǎo)致膝關(guān)節(jié)出現(xiàn)長(zhǎng)期性健康隱患． 特別是在需進(jìn)行快速變向、 跳躍和著地這類(lèi)高強(qiáng)度運(yùn)動(dòng)時(shí)， 膝關(guān)節(jié)所承受的沖擊力最大． 這也解釋了為何膝關(guān)節(jié)是運(yùn)動(dòng)損傷發(fā)生率最高的部位[ １]． 膝關(guān)節(jié)損傷可導(dǎo)致運(yùn)動(dòng)員在訓(xùn)練及比賽中產(chǎn)生嚴(yán)重后果， 所以研究膝關(guān)節(jié)生物力學(xué)特性及有效的損傷預(yù)防措施對(duì)于運(yùn)動(dòng)員和教練員意義重大．

目前， 數(shù)字體育和智能體育已成為國(guó)內(nèi)外體育領(lǐng)域的研究熱點(diǎn)． 王佳偉等[ １]對(duì)不同高度跳深運(yùn)動(dòng)中下肢關(guān)節(jié)協(xié)調(diào)模式和肌肉活動(dòng)進(jìn)行了研究， 發(fā)現(xiàn)隨著跳躍深度的增加， 髖、 膝關(guān)節(jié)的協(xié)調(diào)模式發(fā)生變化， 相關(guān)肌肉的活動(dòng)模式也相應(yīng)改變．這一研究為進(jìn)一步探討膝關(guān)節(jié)的生物力學(xué)特性及其損傷預(yù)防機(jī)制提供了有價(jià)值的信息． 閆俊蘭等[ ２]基于慣性傳感單元的數(shù)據(jù)， 建立了預(yù)測(cè)步行過(guò)程中膝關(guān)節(jié)載荷模型并實(shí)現(xiàn)了載荷預(yù)測(cè)， 通過(guò)分析行走期間獲得的慣性傳感信號(hào)為步行時(shí)膝關(guān)節(jié)生物力學(xué)特性及損傷風(fēng)險(xiǎn)提供新的預(yù)測(cè)分析方法． 梅齊昌等[ ３]運(yùn)用 O p e n S i m肌骨建模及機(jī)器學(xué)習(xí)預(yù)測(cè)方法， 研究了長(zhǎng)距離跑后“ 足外翻” 姿態(tài)增加膝關(guān)節(jié)內(nèi)側(cè)接觸力的情況， 為預(yù)防跑步過(guò)程中膝關(guān)節(jié)內(nèi)側(cè)受傷提供了理論依據(jù)． 王鈿鑫等[ ４]提出了一種基于慣性傳感器的穿戴式步行膝關(guān)節(jié)力矩估計(jì)方法． S t e t t e rB等[ ５]運(yùn)用可穿戴傳感器和機(jī)器學(xué)習(xí)技術(shù)對(duì)運(yùn)動(dòng)中的膝關(guān)節(jié)力進(jìn)行了預(yù)測(cè)，發(fā)現(xiàn)這種方法可以有效地預(yù)測(cè)膝關(guān)節(jié)在不同運(yùn)動(dòng)狀態(tài)下的力， 為進(jìn)一步研究膝關(guān)節(jié)生物力學(xué)提供了新的手段． A d e s i d a等[ ６]從運(yùn)動(dòng)生物力學(xué)角度出發(fā)， 探討了可穿戴技術(shù)在運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)測(cè)量中的應(yīng)用， J a c kA等[ ７]研究了剪切波傳播的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)跟腱應(yīng)力方面的應(yīng)用， 實(shí)現(xiàn)了對(duì)跟腱應(yīng)力的準(zhǔn)確預(yù)測(cè)． 這些研究為深入解析膝關(guān)節(jié)生物力學(xué)特性、 預(yù)防膝關(guān)節(jié)運(yùn)動(dòng)損傷以及提高運(yùn)動(dòng)性能提供了有價(jià)值的信息． 但是， 目前在運(yùn)動(dòng)中實(shí)時(shí)評(píng)估膝關(guān)節(jié)力方面的研究仍有局限．

因此， 本研究探究了一種基于可穿戴傳感器和 人 工 神 經(jīng) 網(wǎng) 絡(luò) （ a r t i f i c i a ln e u r a ln e t w o r k，ANN） 的新方法， 用于估算運(yùn)動(dòng)過(guò)程中的膝關(guān)節(jié)力． 這種方法改進(jìn)了現(xiàn)有評(píng)估方式的限制， 有望實(shí)現(xiàn)現(xiàn)場(chǎng)實(shí)時(shí)評(píng)估， 為運(yùn)動(dòng)員提供更精準(zhǔn)的膝關(guān)節(jié)損傷風(fēng)險(xiǎn)預(yù)測(cè)和預(yù)防．

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)對(duì)象及要求

隨機(jī)招募１ ４名健康的體育專(zhuān)業(yè)男生作為志愿者． 在實(shí)驗(yàn)開(kāi)始前， 每位參與者均被告知實(shí)驗(yàn)程序， 并給予書(shū)面同意知情書(shū)， 所有參與者均不存在最近受傷的情況． 收集１ ４名實(shí)驗(yàn)對(duì)象的相關(guān)數(shù)據(jù)列于表１， 所有參與者到實(shí)驗(yàn)室進(jìn)行測(cè)試， 并佩戴數(shù)據(jù)收集設(shè)備， 在跑步機(jī)上以自選速度跑步５m i n進(jìn)行熱身后， 按要求進(jìn)行各種特定的運(yùn)動(dòng)， 包括中度跑、 快速跑、 順時(shí)針跑動(dòng)９ ０ ° 、 逆時(shí)針跑動(dòng)９ ０ ° 、 沖刺、 沖刺后完全停止、 左側(cè)切割動(dòng)作、 右側(cè)切割動(dòng)作、 側(cè)滑步切、 向前直行、 順時(shí)針走動(dòng)９ ０ ° 、逆時(shí)針走動(dòng)９ ０ ° 、 單腿橫跳（ 距離＝５ ０％身高） 以及最大、 雙腿、 垂直、 反向運(yùn)動(dòng)跳躍．

1.2 實(shí)驗(yàn)設(shè)備

在運(yùn)動(dòng)中進(jìn)行運(yùn)動(dòng)捕捉和數(shù)據(jù)收集是一項(xiàng)高技術(shù)且復(fù)雜的工作． 運(yùn)動(dòng)捕捉系統(tǒng)由１ １臺(tái)維康（ V i c o n） 公司的 MX Ｇ １ ３ 相機(jī)組成， 頻率為 ２ ０ ０H z ， 總共使用４ ２個(gè)球形反射標(biāo)記固定在參與者的皮膚上， 三維地面反作用力（ t h r e e Ｇ d i m e n s i o n a lg r o u n dr e a c t i o nf o r c e， ３ DGR F） 數(shù)據(jù)從兩個(gè)加速度計(jì)板收集， 這兩個(gè)板子嵌入地板中并位于捕捉體積的中心． 此外， 將兩個(gè)六個(gè)自由度的I MU 通過(guò)一個(gè)膝蓋套連接到每個(gè)參與者的右腿上， 目的是捕捉與膝蓋運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)相關(guān)的I MU 信號(hào)． 這些I MU被放置在套筒的上端和下端， 并連接到一個(gè)數(shù)據(jù)采集單元上． 最后， 數(shù)據(jù)收集系統(tǒng)在后處理過(guò)程中通過(guò)一個(gè)由３ D運(yùn)動(dòng)捕捉系統(tǒng)誘導(dǎo)的模擬信號(hào)進(jìn)行同步．在實(shí)驗(yàn)中需要注意I MU 的固定問(wèn)題[ ８]， 以限制其振蕩和錯(cuò)位， 由于某些動(dòng)作任務(wù)具有爆發(fā)性特征， 現(xiàn)使用的固定技術(shù)不能完全確保消除這種誤差源， 需要定期檢查袖口的合適程度并在必要時(shí)進(jìn)行更換， 盡量降低這種問(wèn)題帶來(lái)的影響．

1.3 數(shù)據(jù)處理和生物力學(xué)建模

使用 V i c o nN e x u sV １． ８． ５軟件和逆向動(dòng)力學(xué)建模技術(shù)來(lái)精確地測(cè)量 K J F， 通過(guò)個(gè)體化的鏈接段模型和低通濾波處理的數(shù)據(jù)， 能夠更好地理解跳躍等運(yùn)動(dòng)過(guò)程中的力學(xué)特征[ ９]． 首先， 使用V i c o nN e x u sV １． ８． ５軟件重建標(biāo)記物的３ D軌跡， 通過(guò)此軟件精確地追蹤和記錄參與者在運(yùn)動(dòng)過(guò)程中的位置和姿態(tài)． 然后， 對(duì)３ D標(biāo)記坐標(biāo)和地反力（ g r o u n dr e a c t i o nf o r c e ， GR F） 數(shù)據(jù)進(jìn)行１ ５H z的低通濾波處理． 低通濾波器用于去除數(shù)據(jù)中的噪聲， 以便能夠更清晰地看到參與者的運(yùn)動(dòng)軌跡和地反力變化． 使用全身D y n a m i c u s９模型， 通過(guò)逆向動(dòng)力學(xué)建模確定膝蓋關(guān)節(jié)凈力． 由于３ D運(yùn)動(dòng)捕捉系統(tǒng)存在測(cè)量誤差， 最終共有１ ９ ８次試驗(yàn)被納入分析， 包括１ ４名參與者在１ ６種條件下的實(shí)驗(yàn)， 排除２ ６次無(wú)效實(shí)驗(yàn)．

對(duì)采集到的I MU 信號(hào)和 K J F數(shù)據(jù)進(jìn)行處理， 以創(chuàng)建矩陣數(shù)據(jù)結(jié)構(gòu)[ １ ０]， 具體過(guò)程如下： 首先， I MU 信號(hào)被過(guò)濾（ 使用 B u t t e r w o r t h四階濾波器， 截止頻率為１ ５H z ） ; 其次， K J F時(shí)間序列和I MU信號(hào)被整理， 以表示０％到１ ０ ０％的著陸階段; 最后， 將所有實(shí)驗(yàn)的I MU信號(hào)和 K J F時(shí)間序列垂直連接起來(lái)， 創(chuàng)建I MU 信號(hào)矩陣和 K J F矩陣． 這兩個(gè)矩陣都有１ ９８ ０ ０行（ １ ９ ８次實(shí)驗(yàn)×１ ０ ０個(gè)時(shí)間點(diǎn)） ， I MU 信號(hào)矩陣有１ ２列（ 包括６個(gè)加速度信號(hào)和６個(gè)角速度信號(hào)） ， 而 K J F矩陣有３列（ ３個(gè)空間維度） ． 這種結(jié)構(gòu)可以全面細(xì)致地表示運(yùn)動(dòng)過(guò)程中不同階段的情況．

1.4 神經(jīng)網(wǎng)絡(luò)建模

使用 MAT LA BR ２ ０ １ ８ b中神經(jīng)網(wǎng)絡(luò)工具箱設(shè)置ANN動(dòng)作I MU信號(hào)， 并將其映射到所有動(dòng)作的K J F 時(shí)間序列． I MU 信號(hào)矩陣作為輸入K J F矩陣作為目標(biāo)輸出， ANN的輸入層有１ ２個(gè)變量（ 即節(jié)點(diǎn)） ， 輸出層有３個(gè)變量． ANN有兩個(gè)隱藏層， 一個(gè)有２ ５ ０個(gè)神經(jīng)元， 另一個(gè)有１ ０ ０個(gè)神經(jīng)元， 與輸入和輸出節(jié)點(diǎn)相連． ANN使用L e v e n Ｇb e r g Ｇ M a r q u a r d t進(jìn)行訓(xùn)練， 反向傳播誤差修正， 并使用７ ０ / １ ５ / １ ５隨機(jī)劃分進(jìn)行訓(xùn)練/驗(yàn)證/測(cè)試． 隱藏層之間定義雙曲正切S i g m o i d激活函數(shù)． 網(wǎng)絡(luò)進(jìn)行１０ ０ ０次迭代訓(xùn)練， 如果梯度連續(xù)６次沒(méi)有減少， 或者梯度小于１×１ ０－６， 則停止訓(xùn)練． 為評(píng)估非個(gè)性化模型的性能， 使用留一交叉驗(yàn)證對(duì)ANN進(jìn)行評(píng)估． 交叉驗(yàn)證涉及使用來(lái)自１ ２名參與者的所有實(shí)驗(yàn)來(lái)訓(xùn)練ANN， 然后使用來(lái)自剩余參與者的實(shí)驗(yàn)進(jìn)行測(cè)試．

1.5 統(tǒng)計(jì)分析

對(duì)于每個(gè)動(dòng)作， 使用皮爾遜相關(guān)系數(shù)（ r） 和相對(duì)均方根誤差（ rRMS E） 評(píng)估 ANN 預(yù)測(cè) K J F時(shí)間序列（ F? v 、 F? a p和 F? m l） 與計(jì)算得到逆向動(dòng)力學(xué)（ Fv、 Fa p和Fm l） 之間的相似性． 計(jì)算１ ４個(gè)交叉驗(yàn)證子集的平均值和標(biāo)準(zhǔn)差， 對(duì)r進(jìn)行F i s h e r sz變換， 計(jì)算平均相關(guān)系數(shù)， 平均值通過(guò)逆轉(zhuǎn)變換以r表示． 通過(guò)峰值Fv和整個(gè)著陸階段期間累計(jì)Fv值評(píng)估傳統(tǒng)離散生物力學(xué)膝蓋負(fù)荷指標(biāo)． ANN預(yù)測(cè)峰值Fv與逆向動(dòng)力計(jì)算得到峰值Fv以及整個(gè)著陸階段累計(jì)Fv之間的百分差異（ ％D i f f ） ， 用于提供實(shí)用性解釋?zhuān)?/p>

2 結(jié)果分析與討論

膝關(guān)節(jié)是人體最大、 最復(fù)雜的關(guān)節(jié)之一， 主要由股骨、 脛骨和髕骨組成， 這三者相互接觸的面形成關(guān)節(jié)． 關(guān)節(jié)內(nèi)也有筋膜、 半月板、 韌帶等結(jié)構(gòu)， 其中， 半月板就像一張墊子， 起到緩沖、 減震及部分穩(wěn)定作用， 在肌肉的輔助下保證它只能在一個(gè)方向活動(dòng)， 又能穩(wěn)穩(wěn)地站住， 并且能有力地做出走、跑、 跳等動(dòng)作．

膝關(guān)節(jié)在運(yùn)動(dòng)中的主要受力情況如圖１所示， 包括垂直、 前后、 左右３個(gè)方向的受力． ①垂直方向壓力： 膝關(guān)節(jié)在運(yùn)動(dòng)中受到向下的重力作用，尤其是在行走、 跑步、 跳躍等活動(dòng)中， 這種壓力會(huì)增加; ②前后方向力： 在行走、 跑步等活動(dòng)中， 股四頭肌的收縮會(huì)產(chǎn)生向前推動(dòng)力， 使膝關(guān)節(jié)受到向前的壓力， 在跳躍等活動(dòng)中， 起跳時(shí)股四頭肌的收縮會(huì)產(chǎn)生向上的力量， 使膝關(guān)節(jié)受到向上的沖擊力; ③左右側(cè)向力： 在行走、 跑步等活動(dòng)中， 由于腿部的擺動(dòng)和肌肉的收縮， 膝關(guān)節(jié)會(huì)受到側(cè)向的壓力， 這種壓力在快速變向或轉(zhuǎn)身時(shí)尤為明顯．所有的動(dòng)作估計(jì)精度如表２所列． ANN預(yù)測(cè)K J F產(chǎn)生的r值范圍為０． ６ １～０． ９ ３（ F? v 與Fv） 、０． ６ ３～０． ９（ F? a p與Fa p） 和０． ２ ６～０． ６（ F? m l與Fm l） ，中度跑步的 F? v 與 Fv的相關(guān)性最高（ ０． ９ ３ ±０ . ３ ２） ． F? v 與 Fv、 F? a p與 Fa p、 F? m l與 Fm l之間的rRMS E分別在１ ４． ３％～２ ５． ８％、 １ ７． ３％～２ ７． ２％、２ ７． ６％～４ ５． ９％． 中度跑步和行走的Fv估計(jì)值產(chǎn)生的rRMS E最低（ 均為１ ４． ３％） ． 可以看出， ANN模型能夠較為準(zhǔn)確地估計(jì)不同運(yùn)動(dòng)條件下的膝關(guān)節(jié)垂直受力， 相關(guān)性在０． ６以上， 表明該方法可以用于評(píng)估運(yùn)動(dòng)時(shí)膝關(guān)節(jié)的垂直載荷． 前后方向和內(nèi)外側(cè)膝關(guān)節(jié)受力的預(yù)測(cè)準(zhǔn)確度略低于垂直受力， 但相關(guān)系數(shù)仍在０． ６ ３～０． ９ １， 準(zhǔn)確度可接受．此外， 在測(cè)試的運(yùn)動(dòng)中， 中等速度跑步時(shí)膝關(guān)節(jié)受力預(yù)測(cè)效果最佳， 誤差最小， 這可能是由于跑步運(yùn)動(dòng)幅度較小、 周期性強(qiáng)． 表３列出了離散（ 峰值Fv和總Fv） 的結(jié)果．所有動(dòng)作中， ANN 預(yù)測(cè)值與參考值之間的平均峰值Fv差異為１ ７． ０％±１ ３． ５％． 側(cè)滑步切的差異最小（ ２． ７％±１ ９． ４％） ． 與峰值Fv相比， ANN預(yù)測(cè)值與參考值之間的總Fv差異更?。?所有動(dòng)作的平均差異為５． ７％±５． ８％） ． 在１ ６個(gè)動(dòng)作中，有１ ３個(gè)動(dòng)作的總Fv差異小于６． ７％． 雙腿起跳和雙腿起跳落地這兩個(gè)動(dòng)作在這兩個(gè)指標(biāo)上的差異都很大（ 峰值 Fv差異 ≥２ ２． ８％; 總 Fv差異 ≥１ ６ . ２％） ． 對(duì)于相對(duì)簡(jiǎn)單、 周期運(yùn)動(dòng)幅度和節(jié)奏較為固定的運(yùn)動(dòng)， 如跑步、 切步、 跳遠(yuǎn)等， 該神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)更加準(zhǔn)確， 誤差在１ ０％以?xún)?nèi)． 而對(duì)于跳躍、 起落等短時(shí)大幅突發(fā)性動(dòng)作， 預(yù)測(cè)誤差會(huì)比較大（ ＞１ ６％） ， 這是當(dāng)前方法需要改進(jìn)的方向． 整體而言， 測(cè)量過(guò)程中各類(lèi)干擾的總Fv 的平均預(yù)測(cè)誤差５． ７％可以接受．

將各種常見(jiàn)運(yùn)動(dòng)特定動(dòng)作 ANN估計(jì)精度與逆動(dòng)力學(xué)計(jì)算K J F進(jìn)行比較， 結(jié)果表明 ANN 的估計(jì)精度因動(dòng)作而異， 但大多數(shù)動(dòng)作的精度都很好． 對(duì)于３個(gè)不同力分量， 垂直K J F在ANN預(yù)測(cè)結(jié)果與逆動(dòng)力學(xué)計(jì)算數(shù)據(jù)之間的一致性最高， 其次是前后K J F， 最后是內(nèi)外側(cè) K J F． 在１ ６個(gè)動(dòng)作中， 有１ ３個(gè)動(dòng)作的離散生物力學(xué)測(cè)量顯示累計(jì)F 的％D i f f小于６． ７％; １ ６個(gè)動(dòng)作中有１ ２個(gè)動(dòng)作峰值Fv的％D i f f小于１ ９． ６％． 以上結(jié)果表明， 使用ANN方法來(lái)估計(jì)運(yùn)動(dòng)特定動(dòng)作期間的K J F是可行的， 并且在大多數(shù)情況下可以提供較好的估計(jì)精度． 垂直 K J F的一致性最高， 這可能是因?yàn)榇怪狈较蛏系牧Ψ至扛菀淄ㄟ^(guò)I MU 數(shù)據(jù)進(jìn)行準(zhǔn)確估計(jì)． 然而， 需要注意的是， 對(duì)于某些特定的運(yùn)動(dòng)動(dòng)作， ANN 估計(jì)精度可能會(huì)有所降低． 因此， 在實(shí)際應(yīng)用中， 需要根據(jù)具體情況來(lái)評(píng)估ANN方法的可行性和精度， 并結(jié)合其他測(cè)量方法進(jìn)行驗(yàn)證和改進(jìn)．

3 結(jié)論

研究結(jié)果表明， ANN 對(duì)于根據(jù)可穿戴傳感器數(shù)據(jù)估計(jì)各種運(yùn)動(dòng)中的 K J F非常有用． 具體來(lái)說(shuō)， 對(duì)于各種動(dòng)作， 垂直和前后K J F在ANN預(yù)測(cè)結(jié)果與逆動(dòng)力學(xué)計(jì)算之間顯示出良好的一致性，在很多情況下都提供了相當(dāng)精確的結(jié)果， 有１ ３個(gè)動(dòng)作的離散生物力學(xué)測(cè)量顯示， 使用 ANN 估計(jì)的K J F與實(shí)測(cè)的差異百分比小于６． ８％， 而在１ ２個(gè)動(dòng)作中， ANN 對(duì)于 K J F的峰值估計(jì)與實(shí)測(cè)的差異百分比小于１ ９． ３％， 垂直 K J F的一致性最高． 這些數(shù)據(jù)表明 ANN 對(duì)于很多動(dòng)作都可以提供相當(dāng)準(zhǔn)確的估計(jì)． 總的來(lái)說(shuō)， 用 ANN結(jié)合可穿戴傳感器方法來(lái)估計(jì)運(yùn)動(dòng)中的膝關(guān)節(jié)力是可行的， 并且在很多情況下都提供了相當(dāng)準(zhǔn)確的結(jié)果，這為未來(lái)的運(yùn)動(dòng)應(yīng)用提供了新的可能性．

參考文獻(xiàn)：

[1]王佳偉，劉曄.不同高度跳深時(shí)髖、膝關(guān)節(jié)協(xié)調(diào)模式與 下肢肌肉活動(dòng)的關(guān)系[J].中國(guó)組織工程研究，2023，27（2）：276-281.

[2]閆俊蘭，王燁，侯宏杰，等.基于慣性傳感單元的步行 膝關(guān)節(jié)載荷預(yù)測(cè)[J].中國(guó)康復(fù)醫(yī)學(xué)雜志，2023，38（4）：504-509.

[3]梅齊昌，相亮亮，孫冬，等.長(zhǎng)距離跑后“足外翻”姿態(tài) 增加膝關(guān)節(jié)內(nèi)側(cè)接觸力：基于OpenSim肌骨建模及 機(jī)器學(xué)習(xí)預(yù)測(cè)的研究[J].體育科學(xué)，2019，39（9）：51-59.

[4]王鈿鑫，談天.基于慣性傳感網(wǎng)絡(luò)的穿戴式步行膝關(guān) 節(jié)力矩估計(jì)[J].醫(yī)用生物力學(xué)，2022，37（1）：73-78.

[5] STETTER B J，RINGHOF S，KRAFFT F C，et al.Estimation of knee joint forces in sport movements using wearable sensors and machine learning[J]. Sensors （Basel，Switzerland），2019，19：3690.

[6] ADESIDA Y，PAPI E，MCGREGOR A H. Exploring

the role of wearable technology in sport kinematics and kinetics： a systematic review[J]. Sensors， 2019，19：1597.

[7] JACK A MARTIN，DARRYL G THELEN. A trained

neural network model accurately predicts achilles tendon stress during walking and running based on shear wave propagation[J].Journal of Biomechanics，2023，157：111699.

[8]曹方園，徐俊凱，胡海，等.跑步時(shí)足偏角對(duì)脛骨沖擊 影響的探索性研究[J].醫(yī)用生物力學(xué)，2019，34（2）：207-212.

[9]梅濤，李燕春，李曉霞，等.基于全基因組關(guān)聯(lián)分析的 青年人群臥推1RM抗阻訓(xùn)練效果預(yù)測(cè)模型研究[J].體育科學(xué)，2023，43（4）：61-72.

[10]王亞靜.基于動(dòng)捕與足壓測(cè)試的人體膝關(guān)節(jié)運(yùn)動(dòng)生 物力學(xué)研究[D].西安：西安理工大學(xué)，2020.

[責(zé)任編輯：紀(jì)彩虹]