《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Machine Learning-Based Classification and Prediction of Viscoelastic Creep in Lumbar Tissues
编辑推荐：
持续躯干屈曲可引起腰椎蠕变，而该现象是下背痛疾患的危险因素，但在实验室之外直接测量蠕变并不可行。本研究探讨机器学习（ML）能否利用易获取的个体特征与暴露特征对蠕变进行分类与预测。研究人员汇总了三项已发表研究的数据（44名受试者，七种屈曲与工休条件）。蠕变以腰椎
持续躯干屈曲可引起腰椎蠕变，而该现象是下背痛疾患的危险因素，但在实验室之外直接测量蠕变并不可行。本研究探讨机器学习（ML）能否利用易获取的个体特征与暴露特征对蠕变进行分类与预测。研究人员汇总了三项已发表研究的数据（44名受试者，七种屈曲与工休条件）。蠕变以腰椎峰值屈曲角变化量与肌电屈曲-放松（EMG-off）角变化量进行量化。随机森林（RF）、支持向量机（SVM）与多层感知机（MLP）分类器区分低蠕变与高蠕变的准确率为0.83至0.85，召回率为0.91至0.94。在蠕变幅度预测方面，高斯过程回归（GPR）取得最佳区间覆盖率（PICP 91.76%），其均方根误差（RMSE）为1.79°。上述结果提示，ML可利用易获取数据支持蠕变风险的早期监测。
研究背景与问题提出
持续的最大或次最大躯干屈曲会因腰椎被动组织的黏弹性特性而导致腰椎蠕变。近最大屈曲使负荷由腰椎肌肉转移至被动组织，维持此类姿势即可引发蠕变。蠕变反应受年龄、性别、躯干屈曲角度、个体柔韧性以及暴露-恢复（工休）时间安排等因素影响。由于蠕变与下背痛疾患风险升高相关，估计蠕变可为预防下背痛提供重要线索。已有研究表明机器学习（ML）可有效检测累积性疲劳反应，并在肌肉力量、搬举事件与疲劳等生物力学响应预测中展现出较强能力，但ML在腰椎累积性蠕变反应预测或分类方面的应用仍属空白。本研究旨在探索利用个体特征与暴露特征的ML方法预测腰椎蠕变的潜力，假设此类ML模型能够准确估计并分类腰椎蠕变反应。
研究内容与结论
研究人员汇总三项已发表研究的数据，共纳入44名受试者，实验包含在分开日期进行的七种条件，两次实验间隔至少48小时，排除当前或慢性背部或腿部疼痛者。受试者平均年龄26.8岁（SD=5.3）、身高173.4 cm（SD=9.8）、体重74.5 kg（SD=16.7）。研究采用躯干屈曲-伸展方案（TFEP），并在此前后采集数据，以腰椎峰值屈曲角变化量（ΔPLFA）与屈曲-放松起始对应的腰椎屈曲角变化量（ΔEMG-off）量化腰椎蠕变。研究结论表明，ML模型能够利用个体特征与暴露特征准确分类并估计腰椎蠕变；三种分类器在二分类蠕变分级中均表现相当；GPR有效捕捉蠕变幅度，但在点估计上存在局限（RMSE为1.7896）。整体结果显示出通过易获取数据实现蠕变风险早期监测的潜力，可在显著腰椎蠕变发生前识别高危个体，从而为下背痛疾患的主动干预提供支持。
关键技术方法
研究数据来源于三项已发表研究（Kang & Mirka, 2023、2024、2025），共44名受试者、七种屈曲与工休条件。采用Trigno?无线生物反馈系统与Avanti传感器（Delsys Inc.，美国波士顿）采集惯性测量单元（IMU）导出的矢状面（俯仰）角度与肌电（EMG）信号；IMU以74 Hz采样测量T12与S1椎体水平的俯仰角，EMG以1481 Hz记录L3水平双侧椎旁肌信号，电极置于脊柱旁4 cm处。蠕变以ΔPLFA与ΔEMG-off量化。分类采用随机森林（RF）、支持向量机（SVM）与多层感知机（MLP），以ΔPLFA超过0.85与ΔEMG-off超过1.50为阈值划分低、高蠕变状态；回归评估RF、SVM、MLP回归及高斯过程回归（GPR），最终选用GPR。数据集随机划分为训练集（80%；336个样本）与测试集（20%；85个样本），训练集内采用五折交叉验证。
研究结果
分类：每个样本被归为低蠕变（64%；270个样本）或高蠕变（36%；151个样本）。三种分类器表现均较强且相当，准确率为0.83至0.85，召回率较高（0.91至0.94），表明能有效识别高蠕变病例；MLP取得最高的总体准确率与F1分数，提示在该实验设定下精确率与召回率之间平衡略佳。
回归：RF、SVM与MLP的RMSE分别为1.7853、2.1296与1.9278，PICP分别为77.65%、55.29%与76.47%。GPR取得最高PICP（91.76%），最接近95%的目标，尽管其RMSE（1.7896）较RF略高，表明其对蠕变幅度预测具有可靠的不确定性量化能力。通过将测试集中ΔEMG-off样本按真实值升序排列，可视化展示了模型在整个测试集上的拟合情况。
讨论与结论
本研究证明ML模型可利用个体特征与暴露特征准确分类并估计腰椎蠕变。三种分类器在二分类蠕变分级中均具竞争力；GPR有效捕捉蠕变幅度，但在点估计上存在局限，RMSE为1.7896。未来工作应探索整合高分辨率时间序列数据与更广泛的个体因素，以更好地建模腰椎组织的累积性反应，从而提升点估计精度。总体结果表明，通过易获取数据实现蠕变风险早期监测具有潜力；通过在显著腰椎蠕变发生前识别高危个体，该框架有助于针对下背痛疾患开展主动干预。作者声明无潜在利益冲突，且未获得本研究相关的财务支持。
