前交叉韧带损伤后的自我报告之外：利用机器学习方法对与再次受伤恐惧相关的运动模式进行分类和识别

《Journal of Sports Sciences》：Beyond self-reports after anterior cruciate ligament injury – machine learning methods for classifying and identifying movement patterns related to fear of re-injury

基于标准化侧跳生物力学数据，本研究开发了1D卷积神经网络（CNN）模型，客观评估ACL重建患者恐惧再受伤水平，准确率达75.6%，优于逻辑回归（67%）。关键生物力学变量包括躯干前后倾斜、髋关节屈伸及踝关节内外翻。该模型为个性化康复提供新工具。

　　在运动医学领域，前交叉韧带（Anterior Cruciate Ligament, ACL）撕裂是一种常见的运动损伤，往往导致运动员提前结束职业生涯。这种损伤不仅影响身体功能，还可能引发一系列心理反应，其中最显著的是对再次受伤的恐惧。这种心理障碍在康复过程中可能成为恢复运动能力的阻碍，因为它会影响个体的运动表现，甚至导致长期的功能受限。因此，准确评估个体在ACL重建（ACLR）后对再次受伤的心理恐惧水平，对于制定有效的康复方案至关重要。然而，目前常用的评估方法主要依赖于自我报告量表，如“坦帕运动恐惧量表-17”（Tampa Scale for Kinesiophobia-17, TSK-17），这种方法可能存在偏差，例如社会期望、回忆不准确以及缺乏自我意识等问题。因此，本研究探索了一种基于生物力学数据和机器学习（Machine Learning, ML）的客观评估方法，旨在识别与再次受伤恐惧相关的运动模式。

本研究采用了一种标准化的反弹侧跳（Standardized Rebound Side Hops, SRSH）测试，通过采集参与者在跳跃和着陆过程中的运动学和动力学数据，构建了一个一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）模型。模型的性能通过与逻辑回归（Logistic Regression, LR）方法进行对比，评估其在区分高恐惧（HIGH-FEAR）与低恐惧（LOW-FEAR）个体方面的准确性。结果显示，1D CNN模型在分类任务中达到了75.6%的平均准确率（F? Score = 0.76，Matthews Correlation Coefficient, MCC = 0.52），比LR模型高出8.6%。这一成果表明，基于生物力学数据的机器学习方法可以有效识别个体在ACL重建后的心理状态，为康复计划提供更加精准的依据。

### 研究背景与意义

ACL撕裂通常发生在需要快速改变方向、跳跃或急停的运动中，例如足球、篮球和滑雪等。据研究显示，约70%的ACL撕裂病例发生在运动过程中（Griffin et al., 2000）。尽管有多种治疗方法，包括保守治疗和手术重建，但康复过程仍然是关键环节。有效的康复不仅需要恢复膝关节的功能和稳定性，还需要解决患者的心理障碍，尤其是对再次受伤的恐惧。这种恐惧可能导致运动模式的改变，如着陆时的关节僵硬、肌肉过度激活或避免某些动作，从而增加再次受伤的风险（Trigsted et al., 2018）。

传统的心理评估方法，如TSK-17，虽然在临床中被广泛应用，但其依赖于主观报告，容易受到各种偏差的影响。因此，开发一种基于客观生物力学数据的评估工具具有重要意义。本研究通过SRSH测试收集了大量运动数据，并结合机器学习技术，探索了如何利用这些数据识别高恐惧和低恐惧个体。这种方法不仅提高了评估的客观性，还可能为个性化康复方案提供支持，从而提高患者恢复运动能力的成功率。

### 研究方法

本研究采用了一种横断面观察设计，数据收集在运动实验室中完成。参与者包括60名在两年内接受ACL重建的个体和47名年龄、性别匹配的无症状对照组。所有参与者在进行侧跳测试前完成了多项患者报告结果量表，如国际膝关节文档委员会主观膝关节评分（IKDC）、膝关节损伤与骨关节炎结果评分（KOOS）、Lysholm评分和Tegner活动评分。其中，ACL重建组还完成了TSK-17，以评估其对再次受伤的恐惧水平。

参与者被分为HIGH-FEAR和LOW-FEAR两组，依据其在TSK-17中的回答进行分类。对于TSK-17中的第9条陈述“我害怕自己会不小心受伤”，参与者如果回答“同意”或“强烈同意”，则被归为HIGH-FEAR组，反之则归为LOW-FEAR组。对照组则默认没有再次受伤的恐惧。为了确保模型的泛化能力，研究采用了Leave-One-Participant-Out Cross-Validation（LOPOCV）策略，即每次迭代中将一名参与者的数据作为测试集，其余数据用于训练模型。

在数据采集过程中，使用了红外8摄像头的3D运动捕捉系统（240 Hz）和两个同步的力平台（1200 Hz），以记录参与者在侧跳测试中的运动学和动力学数据。56个被动反光标记物被贴附在参与者的皮肤上，以捕捉关键关节的运动轨迹。所有数据在Qualisys Track Manager软件中进行预处理，包括缺失数据的插值处理和轨迹人工检查。为了确保数据的一致性，所有着陆阶段的时间序列数据被标准化，通过三次多项式插值对齐至101个时间点。

在模型构建方面，研究采用了1D CNN作为主要分类方法，并将其与LR模型进行对比。1D CNN模型通过HyperBand算法在Keras Tuner中进行超参数调优，以优化模型结构和性能。此外，研究还利用了Explainable Artificial Intelligence（XAI）技术，如Integrated Gradients（IG），以识别对恐惧分类最具影响力的生物力学变量。IG方法通过计算每个变量对模型输出的贡献度，提供了对模型决策过程的可视化解释。

### 研究结果

在模型性能评估方面，1D CNN在分类高恐惧和低恐惧个体时表现出较高的准确率和敏感性。具体而言，1D CNN的平均准确率为75.6%（范围：73.1%–78.1%），而LR模型的准确率为67%。此外，1D CNN的平均敏感性为71.9%（范围：68.8%–75.0%），而LR模型的敏感性为69%。这些结果表明，1D CNN在识别高恐惧个体方面优于LR模型，尤其是在结合左右方向的侧跳测试时。

在变量影响分析中，研究发现某些生物力学变量对恐惧分类具有显著影响。例如，在左右着陆中，躯干前倾/后倾、髋关节屈伸以及踝关节外翻/内翻是最具影响力的变量。这些变量反映了个体在运动过程中为保护膝关节而采取的保护性策略，如增加关节稳定性或调整肌肉激活模式。通过IG分析，研究还发现这些变量在不同方向的侧跳测试中具有不同的重要性，例如躯干前倾/后倾在内侧着陆中更为突出，而踝关节外翻/内翻则在外侧着陆中更为显著。

### 讨论与临床意义

本研究的结果表明，基于生物力学数据的机器学习模型能够有效识别个体在ACL重建后的心理恐惧水平。这一发现为运动医学和康复领域提供了新的视角，即心理状态可以通过客观的运动行为进行评估。此外，模型的高准确率和良好的泛化能力表明，该方法可以在临床实践中推广，作为传统自我报告量表的补充工具。

从临床角度来看，识别高恐惧个体可以帮助康复师制定更具针对性的干预措施。例如，对于高恐惧的患者，可以增加心理辅导、逐步暴露训练或认知行为疗法，以帮助其建立信心并改善运动模式。同时，模型的可解释性也为临床应用提供了便利，使得医生能够理解模型的决策依据，并据此调整康复方案。

然而，本研究也存在一些局限性。首先，样本量虽然足够进行初步探索，但可能不足以充分评估模型的稳定性。其次，研究主要关注侧跳测试中的运动学和动力学数据，而恐惧相关的运动补偿可能在其他运动任务（如变向或急停动作）中有所不同。此外，模型仅基于TSK-17的一个问题进行分类，可能无法全面反映个体的心理状态。未来的研究可以考虑引入更全面的心理评估工具，或者结合肌电图（EMG）等其他生物力学数据，以提高模型的准确性。

### 未来研究方向

为了进一步提升模型的临床应用价值，未来的研究可以探索以下几个方向：首先，增加样本量以提高模型的泛化能力，尤其是在不同年龄、性别和运动水平的群体中。其次，结合肌电图数据或其他神经肌肉活动指标，以更全面地理解恐惧对运动模式的影响。此外，进行纵向研究，跟踪患者在康复过程中的恐惧相关运动模式的变化，有助于制定更精确的干预时机和方法。

另外，模型的临床转化也需要考虑实际应用中的硬件和软件需求。目前，模型的训练需要高性能计算设备，但其推理过程可以在标准CPU上快速完成，时间小于1秒。这意味着该模型可以在运动康复中心的日常操作中使用，无需额外的计算资源。然而，模型的推广仍需通过多中心验证，以确保其在不同环境下的适用性。

### 结论

本研究通过结合生物力学数据和机器学习技术，成功开发了一种客观评估ACL重建后个体对再次受伤恐惧水平的方法。1D CNN模型在分类任务中表现出优于LR模型的性能，这表明机器学习在识别心理状态方面具有巨大潜力。此外，模型的可解释性使得医生能够理解其决策依据，从而为患者提供更个性化的康复建议。未来的研究应进一步探索该模型在不同运动任务和人群中的适用性，并结合其他生物力学数据以提高其准确性。这一研究为运动医学和康复领域提供了一个新的工具，有助于更全面地评估和管理ACL重建后的心理障碍。