基于可穿戴传感器的AI肩部运动分类:肩袖肌腱病患者与健康对照的运动识别准确性比较

《European Journal of Sport Science》:Making Sense of Shoulder Exercise: Measuring the Accuracy of an Artificial Intelligence Model to Classify Shoulder Exercise via Wearable Sensors Among People With and Without Rotator Cuff Tendinopathy

【字体: 大 中 小 】 时间:2026年04月10日 来源:European Journal of Sport Science 3

编辑推荐:

  本研究针对肩袖肌腱病(RCT)患者康复依从性监测难题,利用惯性测量单元(IMU)传感器结合机器学习算法,对比分析RCT组与匹配健康对照组在执行推举/侧平举/俯身划船时的运动分类准确性。结果显示:受试者独立模型中卷积神经网络(CNN)对健康组三传感器联合系统分类准确率达94.55%,受试者依赖模型中随机森林(RF)对RCT组达96.12%;单腕部传感器性能接近多传感器系统。证实腕戴式IMU可实现高精度肩部运动自动识别,为远程康复监测提供客观技术支撑。

  
肩痛是成年人最常见的肌肉骨骼问题之一,其中高达70%由肩袖肌腱病(rotator cuff tendinopathy, RCT)引起。临床指南将渐进性运动作为一线治疗手段,但现实中的痛点在于——患者回家后是否真的按时按量完成了训练?传统依赖自我记录或视频监控的方法既费时又不可靠。而如今满大街的智能手表和可穿戴设备虽能计步测心率,却鲜少能精准识别具体的康复动作。能不能让AI通过传感器“看懂”肩部运动,成为远程康复监测的破局关键?
这篇发表于《European Journal of Sport Science》的研究,正是要解决这个“看不见的训练黑箱”。团队招募了18名RCT患者与18名年龄性别匹配的健康对照,在他们完成肩部推举(shoulder press)、侧平举(lateral raise)和俯身划船(bent over row)时,于腕部、上臂和躯干佩戴三轴加速度计+陀螺仪的IMU传感器(Axivity AX6)。数据经低通滤波和滑动窗口分割后,同时跑通了“受试者独立”(跨人通用)和“受试者依赖”(个人定制)两条路线,用支持向量机(SVM)、随机森林(RF)、多层感知器(MLP)、卷积神经网络(CNN)和K近邻(KNN)五类算法一较高下。
关键技术方法:采用前瞻性非随机观察性匹配病例对照设计,纳入维多利亚地区36例受试者(18例RCT患者+18例匹配对照);使用Axivity AX6 IMU传感器(加速度计100 Hz/16g,陀螺仪2000°/s)采集腕/臂/躯干三部位运动信号;同步视频标注地面真实标签;Python环境下Butterworth低通滤波(20 Hz截止)+2秒滑动窗口分段;Scikit-learn库比较SVM/RF/MLP/CNN/KNN算法;70%训练集+30%测试集划分,计算验证/测试准确率及F1分数;R语言进行统计差异分析。

3.1 Accuracy of Different Machine Learning Models

算法之争见真章!在受试者独立模型中,CNN拔得头筹:健康对照组三传感器组合测试准确率达94.55%(F1=0.90),RCT组为93.05%。而在受试者依赖模型中,RF更胜一筹:RCT组三传感器准确率飙升至96.12%,健康组为94.66%。有趣的是,即便只用单个腕部传感器,CNN在两组混合数据中也拿下了95.55%的成绩——这意味着未来可能无需浑身贴传感器,一块智能手表就有潜力搞定。

3.2 Accuracy of Different Sensor Positions

“戴哪儿最准?”三传感器联用虽是受试者依赖模型的王者(整体准确率95.39%),但在受试者独立场景下,腕部(95.55%)和上臂(93.51%)的表现甚至优于躯干(87%)。统计学显示腕部与躯干差异显著(p=0.003)——这对临床推广是好消息,毕竟手腕是最自然的可穿戴位置。

3.3 Comparisons Between Rotator Cuff Tendinopathy Group and Pain Free Group

带病训练会不会影响识别?答案是“几乎没影响”。虽然受试者独立模型中RCT组的数值略低(93.05% vs 94.55%),但两组间无统计学差异;反倒是受试者依赖模型中RCT组还略占优(96.12% vs 94.66%)。这说明疼痛导致的动作变异并未阻碍AI“认”出标准模式,技术对患病人群同样友好。

3.4 Accuracy for Each Exercise

具体到每个动作:CNN算法下,腕部传感器对推举识别最准(96%),侧平举次之(94%),俯身划船也达到93%。三者的混淆矩阵清晰展示出极低的误判率——AI不仅能分清是不是肩部运动,还能精细区分动作类型。
这项研究的妙处在于双管齐下:既要“通用版”(受试者独立模型)适合大规模筛查,也要“定制版”(受试者依赖模型)服务个体化康复。它打破了“必须多传感器+复杂算法”的刻板印象,用数据证明腕戴单传感器+CNN就能实现>94%的识别率,且对RCT患者同样有效。这不仅为远程康复提供了低成本、高精度的量化工具,更意味着未来医生可以通过智能设备实时查看患者的真实训练情况,告别“他说练了就算数”的时代。当然,从实验室到客厅还有距离——如何在刷牙、做饭等日常活动中精准抓取训练动作,是下一步要攻克的关卡。但至少现在,AI已经学会了“盯”着你的肩膀做康复。
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