生物力学异常的自回归时间序列分析:对健康参与者运动诱发疲劳的见解
《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:Autoregressive Time-Series Analysis of Biomechanical Anomalies: Insights into Exercise-Induced Fatigue in Healthy Participants
【字体:
大
中
小
】
时间:2026年04月29日
来源:IEEE Transactions on Neural Systems and Rehabilitation Engineering 5.2
编辑推荐:
摘要:大多数用于生物力学的疲劳检测方法依赖于计算密集型的黑箱模型,或者采用不考虑序列相关性的阈值处理方法,这在信号存在自相关性时可能导致误报率升高。本研究提出了一种结合自回归积分移动平均(ARIMA–SPC)框架的方法,该方法能够模拟时间依赖性,并从时间标准化的地面反作用力和胫
摘要:
大多数用于生物力学的疲劳检测方法依赖于计算密集型的黑箱模型,或者采用不考虑序列相关性的阈值处理方法,这在信号存在自相关性时可能导致误报率升高。本研究提出了一种结合自回归积分移动平均(ARIMA–SPC)框架的方法,该方法能够模拟时间依赖性,并从时间标准化的地面反作用力和胫骨惯性测量单元波形中识别出与疲劳相关的生物力学异常。研究选取了32名参与者,在进行5公里变速疲劳测试前后分别重复进行90°侧向切割动作试验。从他们的自相关函数图中可以明显看出,这些自相关函数呈振荡并呈指数衰减趋势,形成了典型的“衰减”模式。最显著的发现是,与地面反作用力相关的冠状平面的滞后值明显大于其他两个平面(p<0.05)。与长短期记忆模型相比,ARIMA–SPC模型更易于解释,并且在异常检测性能上表现更优(召回率0.88 vs 0.80;精确度0.92 vs 0.85;F1分数0.90 vs 0.82)。此外,ARIMA–SPC方法的推理时间也显著缩短(5秒 vs 15秒),说明其计算负担较低,适合实时监测需求。本研究的结果在开发用于检测运动诱发疲劳的实时监测系统方面具有实际应用价值。而预白化的残差监测方法为疲劳相关的生物力学异常检测提供了一种易于解释且计算效率高的途径。
生物通微信公众号
生物通新浪微博
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