基于深度学习的足底压力分布分类滑雪经验等级及其训练过程中的纵向变化研究

《Scientific Reports》：Exploring foot pressure patterns for skiing experience classification in a simulator-based environment

　　

摘要

本研究探讨了深度学习能否根据基于模拟器的训练期间测量的足底压力分布来区分滑雪经验组别，以及分类器输出在重复训练过程中是否发生变化。使用基于 YOLO11 的图像分类器，将 27 名参与者的重心转移图像分为初学者、新手和中级三组，这些组别通过自我报告的滑雪经历进行操作性定义。使用留一参与者 (LOPO) 交叉验证探索参与者级别的泛化能力，并在参与者和会话级别对性能进行了总结。该分类器在初学者组和新手组之间显示出适度的区分能力，但对中级组的泛化能力有限。会话级分类的准确率为 0.667，宏平均 F1 值为 0.489，平衡准确率为 0.524。随后，使用仅基于基线数据训练的针对每位参与者的固定模型，对六名初学者参与者的分类器输出纵向变化进行了检查。混合效应分析提供了分类器输出在重复训练过程中发生非线性变化的初步证据，尽管结果对模型设定较为敏感，且观察到了显著的个体间变异性。定性 Eigen-CAM 可视化和生物力学分析进一步表明，分类器对分布式的足底压力特征有所响应。这些发现支持了使用足底压力模式来表征滑雪经验组别以及跟踪模拟器导出的压力模式纵向变化的可行性，同时也强调了在将此类模型用于客观熟练度评估之前，需要更大的样本量和经过独立验证的滑雪技能标准。