接触对齐运动学估计早期落地垂直地面反作用力(vGRF)的任务覆盖度与泛化性评估

《Applied Sciences》:Task Coverage and Generalization of Contact-Aligned Kinematic Estimates of Early Landing Vertical Force

【字体: 大 中 小 】 时间:2026年10月24日 来源:Applied Sciences 2.5

编辑推荐:

  接触对齐运动学对落地力估计的贡献需要依据简单的任务预测进行评估。研究人员分析了43名参与者在六项跳跃落地任务和两种疲劳条件下的2191次试验。结局为指定接触事件后150 ms内峰值总垂直地面反作用力(vGRF),按体重(BW)归一化。参与者分离嵌套交叉验证评估

  
接触对齐运动学对落地力估计的贡献需要依据简单的任务预测进行评估。研究人员分析了43名参与者在六项跳跃落地任务和两种疲劳条件下的2191次试验。结局为指定接触事件后150 ms内峰值总垂直地面反作用力(vGRF),按体重(BW)归一化。参与者分离嵌套交叉验证评估了160个运动学特征、固定模型族,以及通过内层验证选择模型族和超参数的程序。ElasticNet达到参与者平衡平均绝对误差0.662 BW,而训练导出的任务特异性中位数为0.608 BW;所有四种学习程序的误差均更高。与保留目标任务的等规模训练对照相比,排除目标任务使AdaptiveML的六任务宏平均误差增加0.113 BW(95%置信区间0.076–0.150)。疲劳至非疲劳迁移使其误差增加0.022 BW(校正后);反向估计为 BW(校正后)。方向性对比在不同模型族间存在差异。更广泛的工程化表征改善了Ridge性能,但未明显优于任务特异性中位数。任务覆盖影响估计器性能,而这些模型未展示出超越基于任务参考的额外准确性。这些分析涉及基于处理后的、力对齐运动学的回顾性估计,未确立前瞻性或临床有效性。
研究背景方面,早期落地垂直地面反作用力(vGRF,vertical ground reaction force)的离线估计不能仅凭全部试验汇总后的有利误差判断价值,还需在新参与者中评估,并与适合所代表运动的参考比较。前交叉韧带重建(ACLR,anterior cruciate ligament reconstruction)后研究显示肢体负荷改变依赖任务、肢体和力的测量指标;即使相同峰值vGRF,落地动作的肢体间力不对称也可不同。接触前运动学可能携带后续冲击信息,但跨任务模型可能通过捕捉任务层面差异获得较好的汇总得分,而对任务内变异估计不佳。惯性传感器、视频和OpenCap等方法在传感方式、时间跨度、力结局和评估设计上不同,其误差不能直接用于判断仅使用短时接触对齐关节角的估计器性能。疲劳可能改变落地运动学或力-时间行为,但受影响指标和方向依赖方案与任务。Calisti et al.的公开数据集为六项跳跃落地任务、疲劳前后及ACL损伤史参与者提供了同步运动与力记录,前期分析多关注损伤史分类或接触后运动学,本研究则评估参与者分离、任务覆盖、疲劳条件覆盖和运动学表征如何影响早期峰值总vGRF的离线估计。

研究人员开展了公开数据集二次分析,最终队列为43名参与者的2191次试验,包括21名ACL损伤史者(19名ACLR、2名保守治疗)和22名对照,覆盖六项跳跃落地任务和疲劳/非疲劳条件。结局为接触后150 ms内峰值总vGRF并按体重(BW,body weight)归一化。研究比较学习模型与仅训练集全局、任务条件基线,在任务排除时控制训练集大小,并检查疲劳发现是否依赖模型族。结论显示,学习程序未超过训练导出的任务特异性中位数基线;任务覆盖影响估计器性能;疲劳迁移方向依赖模型族;这些结果支持任务特异验证和更强基线比较,但不验证前瞻性管线或临床效用。

技术方法上,研究为Calisti et al.公开跳跃落地数据集的二次分析,队列来自43名参与者(21名ACL损伤史,其中19名ACLR、2名保守治疗;22名对照),共2191次试验。源数据含250 Hz标记轨迹与1000 Hz测力台;释放的OpenSim 4.3逆运动学坐标经15 Hz零滞后Butterworth滤波。接触事件由滤波重采样垂直力>20 N确定;结局为接触后150 ms内峰值总vGRF/BW。主表征为接触前至0 ms窗口20个角度坐标的8类特征共160个。采用参与者分离五折外层/四折内层嵌套交叉验证,比较Ridge、ElasticNet、HistGradientBoosting及AdaptiveML(通过内层验证选择模型族与超参数的程序),以加权参与者平衡平均绝对误差(PB-MAE,participant-balanced mean absolute error)选择;基线为训练集全局/任务特异加权中位数;并进行任务迁移、等规模对照、疲劳迁移、表征与窗口截短敏感性、参与者聚类bootstrap和Wilcoxon检验。

结果部分:3.1 参与者泛化与仅训练基线:ElasticNet在四种主要学习程序中PB-MAE最低,为0.662 BW,但任务特异加权中位数基线为0.608 BW;各学习程序减基线的配对差均为正,说明学习程序未显示超越训练导出任务标签参考的额外准确性。三个固定模型族优于总体训练均值0.759 BW,但该比较不能覆盖更强的任务特异参考;汇总试验水平R2为正,而AdaptiveML在全部六个匹配和全部六个严格评估中的任务限制R2均为负。3.2 任务迁移与等规模训练对照:AdaptiveML六任务宏平均PB-MAE由匹配评估的0.760 BW升至严格任务迁移的0.874 BW,配对增加0.114 BW;在参与者与疲劳状态层内匹配训练量并保留目标任务覆盖后,增加0.113 BW(95%置信区间0.076–0.150)。各固定族控制后宏平均惩罚仍为正;AdaptiveML在uCMJ、COH、DJ、MRH的任务特异区间为正,CMJ和SLH含零。严格AdaptiveML优于仅源域加权均值参考0.919 BW,但未明显优于仅源域加权中位数参考0.873 BW,差值为0.000 BW。3.3 疲劳迁移:AdaptiveML非疲劳至疲劳迁移惩罚为 BW(95%置信区间至0.013;BH校正后),疲劳至非疲劳迁移惩罚为0.022 BW(0.006–0.037);等权平均惩罚为0.002 BW。直接配对对比为0.039 BW(0.007–0.069),探索性Wilcoxon检验未校正p值原文未显示。该方向对比随模型族变化:Ridge和ElasticNet区间含零,HistGradientBoosting方向相反。AdaptiveML严格疲劳宏PB-MAE为0.681 BW,高于源条件任务特异中位数参考0.611 BW,差0.070 BW。3.4 运动学表征敏感性:使用全部43个释放信号的工程特征使Ridge PB-MAE由主160特征表征的0.667 BW降至344特征表征的0.610 BW,配对改善0.057 BW(0.029–0.084),降低8.5%;20信号和43信号处理波形表征误差为0.683和0.674 BW,配对差区间含零。更广泛工程化表征未明显优于任务特异中位数基线,差0.002 BW;六任务宏平均差0.007 BW;无单个任务显示更宽Ridge表征误差更低,COH误差反高0.106 BW。3.5 更早窗口终点与重复试验变异:Ridge在完整处理窗口的PB-MAE为0.667 BW,两个截短至更早终点的窗口均为0.677 BW,配对增加均约0.010 BW且区间跨零;三个窗口的六任务宏平均严格减匹配惩罚仍为正,分别为0.099、0.109和0.097 BW,截短相对全窗的迁移惩罚变化区间含零。852个参与者×任务×条件×侧别单元中679个含2或3次重复试验;参与者平衡的单元内标准差为CMJ 0.722、uCMJ 0.273、DJ 0.580、MRH 0.272、SLH 0.296 BW,未缩放中位绝对偏差分别为0.372、0.143、0.280、0.138、0.161 BW;COH每侧每条件仅一次观察,无法估计重复试验变异。这些仅描述观察变异,不定义测量误差下限或临床阈值。

讨论部分总结:4.1 超出任务基线的增量信息:模型可优于全局训练均值,但未超过任务条件中位数;任务身份未输入运动学模型,输入差异仍可编码运动类型;汇总R2为正与任务内R2为负并存,说明性能可能来自任务间差异。任务中位数基线需要目标任务的训练样本,严格迁移中不可用,因此仅源域中位数是可行常数参考。4.2 控制训练集大小后的任务覆盖:目标任务排除惩罚在等规模控制后仍为0.113 BW,不能仅由训练试验较少解释;但严格模型相对仅源域中位数仅约+0.0004 BW,未建立超越简单源参考的有用迁移。临床文献支持任务特异评估,但不能解释本数据中个体迁移惩罚;本结局为前150 ms总外部垂直力,不是单肢或ACL负荷。4.3 疲劳方向依赖模型:AdaptiveML显示疲劳至非疲劳迁移误差增加,反向不明确,直接对比为+0.039 BW;但该不对称不跨模型族一致,HistGradientBoosting方向相反,Ridge和ElasticNet区间含零,故应视为特定模型选择策略的属性,而非疲劳迁移普遍规律。源方案中非疲劳测试总在疲劳方案前,疲劳、重复暴露、时间和顺序未独立变化,不能分离生理机制。4.4 运动学表征:全部43个释放坐标的工程特征降低Ridge误差,但未明显超过任务中位数参考;波形替代不能单独隔离特征数,未做特征重要性分析;惯性、视频或全身力学研究的误差不能直接用于排序本模型。4.5 更早终点与重复试验变异:截短窗口约增0.010 BW且区间跨零,任务排除惩罚持续为正;该敏感性不能识别最佳前瞻观察窗或因果信号起点。重复试验变异为预测误差提供描述尺度,但与模型MAE不可互换,也不是噪声下限;CMJ和DJ变异较大,不能据此称误差临床很小。4.6 离线估计范围:接触事件来自力记录,释放标记轨迹经零滞后滤波,名义接触前样本可含较晚标记信息;移除接触及接触后索引并不能使完整流程因果化。证据限于43名混合ACL损伤史参与者、六项实验室任务和源疲劳方案,未评估独立队列、新采集系统、现场记录或临床决策阈值;下一步需在独立队列检验完整测量管线能否优于适当任务条件和仅源域基线。

研究结论翻译:任务排除即使开发集数量在参与者与疲劳状态层内匹配后仍增加误差。然而,主要运动学学习程序未优于任务特异性加权中位数参考,更广泛的工程化Ridge表征也未明显超过该参考。汇总R2为正与任务限制性能较弱共存。疲劳迁移方向依赖模型族,且无法与方案顺序分离。这些结果支持在离线外部力估计中进行任务特异性验证和更强基线比较;它们不验证前瞻性力估计管线,也不确立ACL负荷、损伤预测或临床效用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号