基于机器学习动态分类自行车座高的创新方法及其在提升骑行效率与预防损伤中的关键作用

本刊推荐：本研究创新性地将机器学习（ML）技术引入自行车运动生物力学领域，通过动态捕捉下肢关节运动学数据，构建高精度座高分类模型（KNN准确率达99.79%）。该模型突破传统静态拟合方法的局限，首次实现基于个体动态骑行特征（如膝关节屈曲角θknee,Mean、运动范围ROM等）的座高智能化判定，为个性化自行车拟合（Bike Fitting）提供了数据驱动的客观标准，对提升骑行效率及预防过度使用损伤具有重要实践价值。

　　

引言

随着自行车运动的普及，与之相关的过度使用损伤发生率显著上升。适当的自行车配置对降低损伤风险和提升骑行效率至关重要。传统自行车拟合方法依赖静态测量、经验法则和骑行者主观反馈，难以全面反映个体生物力学差异和动态骑行条件。座高作为自行车拟合中最受研究的变量，其对下肢关节和肌肉活动范围（ROM）的影响远超其他变量（如车把高度、曲柄长度）。研究表明，仅2%的座高变化就足以显著改变下肢运动学特征，而超过4%的变化会引起摄氧量和骑行效率的显著变化。

传统方法推荐在曲柄处于下死点（BDC）时保持25°–35°的膝关节角度设置座高，但静态膝关节角度无法匹配关节运动的动态特性。在6点钟曲柄位置，静态与动态角度差异可达8.2±5°，且实际骑行中的峰值关节负荷可达骑行者体重的两倍。此外，骑行者会通过骨盆旋转、踝背屈等代偿性调整掩盖次优座高的真实生物力学关系。现有基于人体测量学的座高确定方程未在多样化骑行者群体中得到验证，对女性骑行者的适用性存疑。

机器学习在运动科学领域的应用为数据驱动的个性化解决方案提供了新途径。已有研究证实ML在解决生物力学实际问题中的优势，其相比动作捕捉系统和仪器化传感器能显著降低运动表现评估成本和时间。在骑行领域，ML已被应用于预测心率、摄氧量、踏频、功率输出及骑行效率指数等生理指标，但针对自行车配置（特别是座高）的生物力学研究尚属空白。现有ML模型多基于专业选手数据构建，样本量有限（部分研究参与者少于10人），且过度关注生理指标而忽视关节运动学等生物力学因素。

方法

本研究包含骑行实验和机器学习模型开发两部分。实验招募16名业余骑行者（10男6女，24.64±3.19岁，BMI 21.34±2.0 kg/m²），在智能训练平台（Tacx NEO 2T）上进行三种座高（低：95%大转子高度GTH、中：97%–103%GTH、高：105%GTH）的骑行测试。通过Vicon动作捕捉系统记录下肢标记点轨迹，使用Plug-in Gait模型计算髋、膝、踝关节在矢状面、冠状面和横断面的三维角度。

数据处理包括：采用零滞后四阶低通滤波器（截止频率6Hz）过滤踝关节标记点轨迹，以相邻z坐标最大值间隔定义踏蹬周期，剔除异常数据后通过合成少数类过采样技术平衡数据集（最终72,354个样本，各类别24,118个）。从每个踏蹬周期中提取81个特征（9类统计量×3个关节×3个平面角度），包括最大/最小角度、对应曲柄角度、均方根值（RMS）、均值、标准差（SD）、变异系数（CV）和运动范围（ROM）。

采用前向序列特征选择法从81个特征中筛选最优特征集，以五折交叉验证的误分类率为选择标准。比较支持向量机（SVM）、K最近邻（KNN）、朴素贝叶斯（NB）和决策树（DT）四种模型在留一受试者交叉验证（LOSOCV）下的分类性能，以误分类成本最低为损失函数，使用贝叶斯优化进行参数调优。统计分析通过G*Power 3.1.9.7计算样本量，使用Friedman检验和Bonferroni校正的Wilcoxon符号秩检验评估特征差异，通过Pearson相关系数分析特征间相关性。

结果

最优特征集包含14个特征：3个踝关节特征（β_ankle,SD, γ_ankle,RMS, γ_ankle,SD）、4个髋关节特征（θ_hip,SD, β_hip,Mean, β_hip,SD, γ_hip,RMS）和7个膝关节特征（θ_knee,Max, θ_knee,Mean, θ_knee,Range, β_knee,Mean, β_knee,SD, γ_knee,Mean, γ_knee,SD）。这些特征在三种座高水平间均呈现至少一组统计学差异，其中矢状面膝关节角度特征（θ_knee,Mean和θ_knee,Max）变化最显著（p<0.001），分类准确率分别达80.19%和79.58%。特征间相关性分析显示多数特征呈低相关或无关（|r|<0.5），但存在四组强相关特征：β_ankle,SD与γ_ankle,SD（r=0.86）、γ_ankle,SD与γ_hip,RMS（r=0.80）、β_ankle,SD与γ_hip,RMS（r=0.77）、θ_knee,Max与θ_knee,Mean（r=0.77）。

机器学习模型比较显示，KNN模型以99.79%的平均准确率显著优于其他模型（DT:96.81%, SVM:93.10%, NB:81.18%）。各模型对中度座高的分类准确率均低于极端座高，其中NB模型对中度座高分类准确率仅59.91%。KNN模型在低、中、高座高水平的分类准确率分别为99.96%、99.52%和99.89%。

讨论

不适当的座高会导致膝关节劳损、下背痛和功率输出下降。传统座高优化方法主要依赖静态人体测量指标（如腿长），但忽视了下肢运动链的动态相互作用和个体生物力学反应的异质性。研究发现，使用109%胯长方法设置座高时，仅37%受试者的膝关节角度落在推荐范围内，静态与动态膝关节角度在下死点位置存在约8°差异。这种矛盾凸显了静态模型在捕捉实时骑行运动学方面的不足。

本研究的统计特征分析揭示了三种座高水平下下肢关节三维角度的显著变化，印证了先前研究：降低座高会增加踝背屈、膝屈曲和外展以及髋屈曲，同时减少三个下肢关节的ROM。最显著的变化出现在膝关节屈伸角度特征，因为膝关节在矢状面具有最大的ROM。研究显示，座高增加5%会导致膝关节屈曲角ROM增加25%，这与本研究结果一致。值得注意的是，最优特征集中包含了髋关节外展-内收角均值和内外旋角RMS值，以及踝关节外翻-内翻和外旋-内旋角度的RMS与SD值。这些冠状面和横断面运动学变化的发现为骑行研究提供了新视角，因为多数研究仅关注矢状面。

基于单一膝关节屈曲角特征的最高分类准确率强调了座高对膝关节运动学的显著影响。较低座高会导致矢状面角度和膝关节ROM减小，进而产生更大的膝关节伸展力矩而非外展力矩。膝关节伸展力矩是关节负荷的指标，其在不同座高下的变化与胫股压缩力行为一致。最优特征集中膝关节外展/内收和内旋/外旋角度SD值随座高增加而上升，均值下降，表明高座高可能加剧下肢振荡和不稳定性。

KNN模型在座高分类中的优异性能可能源于其非参数特性和对距离度量的依赖，降低了对特征间依赖关系的敏感性。所有模型对中度座高分类准确率较低的可能原因包括：骑行者在中度座高偏离其偏好位置时表现出更大的运动变异性，中度座高条件（97%–103%GTH）范围较宽导致关节角度方差增大，以及过采样技术造成的数据分散度不平衡。尽管数据集仅包含下肢关节角度特征，但低相关系数表明特征选择成功隔离了互补且非冗余的预测因子。强相关特征对的存在虽可能影响模型可解释性，但对基于距离度量的KNN模型影响有限。

本研究开发的KNN模型达到99.79%的分类准确率，优于现有骑行参数识别研究（如踏频、踏蹬剖面识别准确率＞95%）。这些研究使用惯性测量单元（IMU）采集数据，据报道IMU测量关节角度的每踏蹬周期误差率较低，未来可替代动作捕捉系统用于户外骑行实验。

局限与展望

本研究存在以下局限：未按性别、年龄或技能水平对骑行者分层，可能影响模型普适性；实验室数据与户外骑行存在差异；部分特征对仍存在强相关性。未来研究应使用IMU等便携传感器采集户外骑行数据，纳入更多运动学和动力学变量，按性别和骑行技能分类参与者，提升模型准确性和普适性，并针对不同自行车配置和骑行项目构建专用ML模型。

结论

本研究成功开发了基于下肢关节角度特征的KNN机器学习模型，能高精度识别座高水平。四种评估模型对中度座高的分类准确率均低于极端座高。通过筛选最优特征集降低了输入冗余和特征间相关性。矢状面膝关节角度是对座高最敏感的变量，基于该特征的分类准确率达80.19%，加入踝和髋关节角度后提升至99.79%。该方法凸显了数据驱动工具在骑行领域的应用潜力，为个性化自行车拟合提供了客观推荐标准。