基于可解释机器学习的侧切动作前交叉韧带峰值力预测模型

《BMC Sports Science, Medicine and Rehabilitation》：Identification and validation of an interpretable machine learning model for predicting peak ACL force during side-cutting maneuvers

　　

摘要

目的

旨在开发一种基于生物力学测量参数的可解释机器学习模型，以预测侧切动作中前交叉韧带（ACL）的峰值力，从而为运动训练和监测提供一种评估方法。

方法

共招募了204名男性足球和篮球运动员。使用Qualisys光学运动捕捉系统、测力台和表面肌电图提取侧切动作期间的运动学、动力学和肌电信号参数。采用机器学习算法进行模型训练和测试以预测ACL峰值力，并运用Shapley可加性解释方法（SHAP）对特征值进行解释。

结果

极端梯度提升（XGBoost）模型表现出较高的拟合性能（R2 = 0.929），整体偏差较低（RMSE = 0.051），预测误差也较低（MAE = 0.032）。全局SHAP重要性分析表明，膝关节屈曲角度（KFA）、腘绳肌与股四头肌激活比（H/Q）、髋关节屈曲角度（HFA）、膝关节外翻力矩（KVM）、踝关节外翻角度（AVA）、髋关节内收角度（HAA）和胫骨前剪应力（ASF）是预测ACL峰值力的关键特征。KFA（0.07）、H/Q（0.05）、HFA（0.03）、KVM（0.02）和AVA（0.02）的SHAP重要性值显示贡献较高，表现出较强的预测能力。

结论

侧切动作中ACL峰值力的增加本质上是动态姿势控制力学负荷与神经肌肉效应耦合作用的结果。整合多维指标的机器学习模型实现了较高的准确性，提升了ACL峰值力在实际应用中的预测能力，并为ACL峰值力的综合分析提供了解释。