《Frontiers in Bioengineering and Biotechnology》：Estimating bilateral hand kinetics from upper-limb kinematics in sprint front crawl: a subject-wise validation of an artificial neural network
编辑推荐：
专业摘要翻译：
目的： 手部力量对自由泳成绩贡献显著，但测量手部力量需佩戴手部装置。本研究检验了仅由三维上肢运动学驱动的人工神经网络（artificial neural network, ANN）能否重建由手部力量装置记录的双侧手部动力学，并评估估计值在信号波
专业摘要翻译：
目的： 手部力量对自由泳成绩贡献显著，但测量手部力量需佩戴手部装置。本研究检验了仅由三维上肢运动学驱动的人工神经网络（artificial neural network, ANN）能否重建由手部力量装置记录的双侧手部动力学，并评估估计值在信号波形（waveform）、离散描述符（discrete descriptors）、游泳者间差异（between-swimmer differences）及肢体间差异（inter-limb differences）等层面的吻合程度。
方法： 24名男性竞技游泳运动员在无呼吸状态下完成最大强度50米自由泳，佩戴eo SwimBETTER手部装置；14个上肢标记由水下运动捕捉系统以100 Hz频率追踪。对每名游泳者每只手的划水水下阶段（指尖入水至出水）进行分析。采用侧向镜像多层感知器（multilayer perceptron, MLP），利用197个躯干坐标系特征，在受试者级六折交叉验证（subject-wise six-fold cross-validation）下估计每只手六个目标变量，并在每折内部完成架构、正则化及平滑参数选择。该模型与四种替代学习模型及两种基线模型（标量组均值零模型和相位条件均值波形模板）进行比较，并通过参与者聚类自助法（participant-cluster bootstraps）估计不确定性。
结果： 对于合力（resultant force），均方根误差（root-mean-square error, RMSE）为左侧24.5 ± 6.1 N、右侧23.3 ± 9.9 N，每窗口相关系数分别为0.85和0.84，组内相关系数ICC(A,1)分别为0.70和0.64。该网络与梯度提升（gradient boosting）及仅坐标模型相当，但并未比模板更精确（模板RMSE分别为21.8和21.2 N；左手差异2.7 N，95%置信区间0.9–4.5）。测量值与估计值的峰值力、冲量及平均力在游泳者间的相关系数范围为?0.36至0.27，估计的肢体间对称性指数与测量值不一致（r为?0.23至?0.10；优势侧匹配率为50%–58%）。左手峰值力被低估32.6 N，达峰时间绝对误差平均占水下阶段的12%–13%。在每一窗口对双手建模的更宽泛定义（包含每只手的移臂及入水阶段）会虚增表观精度（左手RMSE 21.6 N，r 0.89）。
结论： 在佩戴装置方案中，运动学驱动的估计可恢复群体典型力–时间模式，但相比相位模板增量有限，且无法分辨游泳者间或肢体间差异。该方法目前尚不能替代手部力量测量用于个体评估。
论文解读文章
一、研究背景与问题
在自由泳中，手部施加于水的作用力对运动成绩贡献显著，但标准实验室仪器无法直接测量这一力学量。游泳运动员处于无支撑状态，其反作用力由本身运动的流体承担，因此不存在与地面反作用力平台对应的水中等效装置。基于压力的方法通过手掌–手背压力差及手部表面积估算手力，需结合水下运动捕捉或手部惯性测量单元，且传感器本身可能扰动其所测量的流场。计算流体动力学虽无需仪器侵入，但需个体化手部几何模型且每项条件计算量巨大。牵引及水槽方案虽简便但改变了任务本身。商用佩戴式手部装置可在泳池内提供动力学输出且具备可接受的复测信度，但硬件需购置与佩戴，且无法回溯应用于历史数据。相比之下，运动学数据获取条件不同：水下运动捕捉和视频已广泛使用，无标记姿态估计进一步降低了人工成本，运动学档案积累速度快于同步力记录。若能从已有运动学数据推断手力，则可在更多训练课次、更多运动员及历史数据集中研究推进力学。陆上研究已显示机器学习在此类问题上的潜力，但水中能否达到类似精度并不明确：地面反作用力源于受全身运动学紧密约束的接触，而手部推进力源于非定常水动力学，取决于手速、朝向、有效面积及涡动力学，仅部分信息可从标记坐标中恢复。因此运动学携带手力信息但并不决定手力。
另一关键问题是此类估计器应如何评价。许多生物力学机器学习研究仅报告单一合并R2并按记录而非受试者划分数据，两者均会虚增表观精度。对于周期波形，合并R2受周期内变异主导，即使模型对个体间区分能力差（而这正是教练所需的能力）仍可保持较高水平。因此需要两项保障：基准集应包含仅知晓力–时间曲线典型形状的模型，以便仅对超出该形状的信息给予评价；分析窗口应遵循划水阶段的公认定义，避免信号中容易的部分（如手出水阶段）虚增吻合度。
二、研究目的与设计
本研究旨在：(1) 开发受试者无关的人工神经网络，从三维上肢运动学估计双侧手部力分量及装置衍生功率指数，并在受试者级嵌套交叉验证下与学习型替代模型及相位条件模板进行基准比较；(2) 在波形、离散变量、游泳者间及肢体间层面评价其估计值，确立其适用边界。研究贡献在于双侧多目标验证而非新网络架构。研究假设网络再现力–时间波形的能力将优于其表征游泳者间量级差异的能力。
三、关键技术与方法
研究纳入24名男性竞技游泳运动员，均为国家或地区级短距离选手，50米自由泳赛季最好成绩24.01 ± 0.60秒（745 ± 35世界泳联积分）。受试者在标准化热身后进行无呼吸最大强度50米自由泳。手部动力学由eo SwimBETTER装置（eo Lab, Sydney, Australia）双侧记录，该装置结合压力传感器与三轴加速度计及陀螺仪。三维运动学由Qualisys系统（Oqus 700+水下及水上摄像机，15台，采样100 Hz）在10.0 × 3.0 × 2.0 m校准体积内采集，14个逆反射标记置于上肢及躯干双侧七个骨性标志。分析窗口为每只手的水下阶段，即第三指（MF3）标记向下穿越水面（入水）至向上穿越（出水）。每名游泳者每只手分析一次完整水下阶段，共48个手特异窗口（每手24个，60–101帧，中位数78，共3,766帧）。双手套为独立单元，各自与运动学分别对齐。六个目标变量为：合力、推进力、侧向力、垂直力及两个装置衍生功率指数（总功率指数为合力与装置报告手速之积，推进功率指数为前向力分量与手速之积）。特征构建采用每帧重建的躯干嵌入坐标系，共197个特征九个族类。模型为全连接前馈回归网络，ReLU激活，Adam优化，L2正则化，五网络集成平均，Savitzky–Golay平滑。模型选择为嵌套式：受试者随机分配六组，每折一组测试、一组内部验证、十六组拟合，内部比较21种配置。六个比较器包括组均值零模型、相位条件模板、标记坐标岭回归、全特征岭回归、全特征梯度提升及仅坐标网络。统计分析采用参与者聚类自助法（2,000次重采样）、一维统计参数映射（SPM）配对t检验、ICC(A,1)、Bland–Altman分析、TOST等价检验及对称性指数分析。
四、研究结果
基准比较：所有学习模型及模板均优于组均值零模型。所提网络（合力RMSE左侧24.5 ± 6.1 N、右侧23.3 ± 9.9 N）优于全特征岭回归（配对ΔRMSE双侧?7.0 N，p ≤ 0.001），与梯度提升、标记坐标岭回归及仅坐标网络统计上不可区分。相位条件模板（仅知晓水下力曲线典型形状）为最精确模型：RMSE 21.8 ± 6.4和21.2 ± 7.6 N，每窗口r 0.894和0.869，CMC 0.869和0.837。网络左手RMSE比模板高2.7 N（95% CI 0.9–4.5；p = 0.010），右手高2.1 N（?0.2至4.5；p = 0.121）。因此工程化特征集及网络架构并非达到学习模型精度之必需，且无任何学习模型在波形精度上超越模板。
六个目标变量波形精度：各目标波形重建精度相似。每窗口相关系数合力、推进力、垂直力及两功率指数为0.84–0.90，侧向力为0.69–0.70。CMC范围为0.75–0.85，ICC(A,1)为0.42–0.72，右手一致性普遍低于左手且变异性更大（nRMSE 23.6%–33.8%对21.3%–26.6%）。非参数SPM对十二个目标–手组合中的十个未检测到超阈值簇，例外为右手合力及侧向力，各在水下阶段98%–100%处出现窄簇（p = 0.025和0.004），估计值在出水时未如测量值般迅速降至零。
描述符层面：估计均值经Holm校正后与测量值无显著差异，但极值被压缩。左手合力峰值被低估32.6 N（Holm p < 0.001），左手推进力峰值及两功率指数峰值、双手侧向力峰值、左手侧向及垂直最小值均被显著低估。每项估计描述符的游泳者间标准差均明显小于测量标准差，估计值向组均值收缩。
主要目标误差与一致性：合力RMSE左侧24.5 N（95% CI 22.1–27.0）、右侧23.3 N（19.8–27.2），游泳者间范围14.3–36.1 N和11.0–49.4 N。时间归一化样本合并相关系数0.763（0.713–0.817）和0.646（0.547–0.756），重复测量相关系数0.799和0.754，ICC(A,1) 0.704（0.665–0.743）和0.639（0.528–0.738）。回归斜率低于1（OLS 0.550和0.577；Deming 0.654（0.590–0.743）和0.841（0.682–1.120）），估计值范围被压缩，左手最明显。Bland–Altman分析显示左手偏倚?7.7 N（?11.7至?3.3）、右手+3.1 N（?2.7至9.2），一致性界限?54.8至39.5 N和?46.4至52.5 N，相对于测量峰值约90–116 N。左手存在显著比例偏倚（斜率?0.37），右手不显著（?0.14）。平均配对差异在入水及早期划水阶段（约水下阶段前半）保持在峰值±10%带内，左手在拉–推过渡期跌出该带。
离散变量：估计冲量和平均力左手低于测量值（?5.8 N·s和?7.6 N；均p = 0.002，dz ≈ ?0.7），右手无显著差异（+2.4 N·s和+3.1 N；p = 0.35）。平均绝对百分比误差左手20%、右手39%。无任何力量级变量满足±10%等价标准。峰值力、冲量及平均力的测量–估计游泳者间相关系数范围为?0.36至0.27，均与零无差异。达峰时间符号偏倚可忽略（+1.5和+0.8个百分点），但绝对误差平均为12.4 ± 16.1和13.1 ± 13.0个百分点，小符号偏倚反映双向较大个体误差的抵消。
肢体间对称性：估计的对称性指数与测量值不一致，相关系数?0.23至?0.10，优势侧匹配率仅50%–58%。
方差分解与模型解释：线性速度族类置换导致验证R2损失最大（0.532，折间范围0.367–0.660），标记位置族类损失0.096，其余族类损失较小或为负。手长、腕宽及其乘积与测量平均力及残差振幅误差的相关性未达显著。
敏感性分析：在更宽泛窗口定义（每窗口对双手建模，包含移臂及入水阶段）下，表观精度提升（左手RMSE 21.6 N，r 0.89），说明窗口定义对评价结果有实质影响。
五、讨论与结论
研究讨论指出，在佩戴装置方案中，运动学驱动估计可恢复群体典型力–时间模式，但相比仅知晓典型曲线形状的相位模板增量有限，且无法分辨游泳者间或肢体间差异。估计值向组均值收缩、游泳者间相关性接近于零、肢体间对称性判断不可靠，这些结果共同表明该方法目前尚不能替代手部力量测量用于个体评估。研究强调波形层面的表观高相关性主要由周期内变异驱动，而非个体间区分能力。研究还指出装置输出作为操作参考而非独立验证的水动力力的局限，以及装置制造商未公开采样率、校准程序及力推导算法的限制。研究提供了完整脚本、折外预测、折分配及选择日志作为补充数据，但未发布基于全体受试者训练的单一可部署模型，因为无装置场景尚未验证。结论为：在设备佩戴方案中，运动学驱动的估计可恢复群体典型力–时间模式，但相对相位模板增量有限，且无法解决游泳者间或肢体间差异，尚不能替代手部力量测量用于个体评估。
