基于机器学习算法的橄榄球争球中个体三维地面反作用力估计研究

《Journal of Biomechanics》：Machine learning techniques for estimating the individual three-dimensional ground reaction forces during rugby scrummaging

本研究比较了四种机器学习算法（随机森林、多层感知机(MLP)、长短期记忆网络(LSTM)及其混合模型）在橄榄球争球过程中通过仪器化鞋垫估计三维地面反作用力(3D-GRF)的性能。通过数据集扩展和模型个性化策略，研究发现个性化MLP模型在归一化均方根误差(RMSE%BW)上取得最佳结果（前後方向5.6±1.1%，垂直方向8.3±2.2%），为运动员生物力学分析提供了有效的场外测量方案。

　　

Highlight

参与者与数据采集

开展了两组实验：第一组为13名无橄榄球经验健康受试者（3女10男，年龄26±6岁）；第二组为12名精英级前锋球员（全部男性，年龄20±1岁，体重116±13kg）。所有受试者均使用仪器化鞋垫(Loadsol Pro?)和力台同步采集数据，采样频率分别为100Hz和1500Hz。

结果

随机森林(RF)、多层感知机(MLP)和长短期记忆网络(LSTM)的优化超参数详见表2。图6展示了各机器学习模型在前後(AP)方向上的归一化均方根误差(RMSE%BW)、相关系数(r)和偏差百分比(bias%BW)分布，这些结果基于被试交叉验证的测试折叠平均值计算，涵盖完整试验周期和特定阶段。

讨论

本研究系统比较了基于仪器化鞋垫的多种机器学习算法在橄榄球争球三维地面反作用力(3D-GRF)估计中的表现。通过模型个性化与数据集扩展（包含无橄榄球经验者）两种策略提升性能。尽管推理仅在男性受试者进行，但数据集包含男女受试者且未发现性别差异。所有模型在垂直方向表现最佳（RMSE%BW<10%），前後方向次之（RMSE%BW<15%），内外方向最具挑战性（RMSE%BW>15%）。多层感知机(MLP)在扩展数据集上表现出色，且个性化训练后性能进一步提升。研究证实仪器化鞋垫在足部高度弯曲状态下仍能有效估计前後方向力，为运动员技术评估提供了实用工具。

结论

本研究验证了基于仪器化鞋垫（集成惯性测量单元(IMU)）的机器学习算法在橄榄球争球三维地面反作用力(3D-GRF)估计中的有效性。研究表明简单多层感知机(MLP)模型表现最优，在全试验周期、足部 repositioning 阶段和持续推挤阶段，所有方向的归一化均方根误差(RMSE%BW)均低于8.5%。该成果成功将前人研究拓展至足部高度弯曲和前後方向力主导的场景，为运动员技术分析和训练优化提供了可靠方案。