通过整合生物力学数据和肌电图数据，并运用多模态机器学习方法，提升前交叉韧带（ACL）重建术后患者对再次受伤的恐惧感分类准确性

《Journal of Biomechanics》：Enhancing fear of re-injury classification after ACL reconstruction by integrating biomechanical and electromyography data using multimodal machine learning methods

　　阿卜杜拉米尔·卡尔巴拉埃（Abdolamir Karbalaie）|亚当·格林伯格（Adam Grinberg）|安德鲁·斯特朗（Andrew Strong）|海伦娜·格里普（Helena Grip）|卡勒·普罗罗克（Kalle Prorok）|夏洛特·K·黑格（Charlotte K. H?ger）|托马斯·诺德斯特伦（Tomas Nordstr?m）
瑞典乌梅奥大学社区医学与康复系

**摘要**
前交叉韧带（ACL）断裂后对再次受伤的恐惧常常阻碍运动员重返赛场，这种恐惧与增加受伤风险的运动模式有关。因此，识别出有这种恐惧的个体至关重要。虽然常用的方法是自我报告问卷调查，但在体育和临床环境中可能存在漏报现象。本研究旨在利用基于单模态或多模态时间序列运动数据训练的机器学习（ML）模型，将接受ACL重建手术的个体分为“高恐惧”（HIGH-FEAR）组和“低恐惧”（LOW-FEAR）组。共有72名参与者（术后平均时间：13.0个月；四分位数范围：15.8个月）参与研究，他们根据坦帕恐惧量表（Tampa Scale for Kinesiophobia）中的第9条陈述被分为两组。参与者完成单腿标准化反弹侧跳动作，同时使用3D运动捕捉系统和力板记录运动学和动力学数据，并通过肌电图（EMG）检测大腿屈肌和伸肌的活动情况。我们从每种数据类型中提取时间序列特征，训练了十种ML算法，并通过留一法（leave-one-participant-out）和三折交叉验证（grouped 3-fold cross-validation）进行评估。结果表明，结合运动学/动力学数据和EMG数据显著提高了分类准确性。极端梯度提升模型（Extreme Gradient Boosting model）在融合数据的情况下达到了最高的准确率（86%），所用特征包括躯干倾斜、骨盆倾斜、膝关节旋转以及屈伸肌激活情况。仅使用运动学/动力学数据时准确率为83%，而仅使用EMG数据时准确率为85%。本研究表明，整合不同类型的运动相关数据可以提高ML模型对ACL术后再受伤恐惧的分类准确性，有助于识别与恐惧相关的模式并指导治疗。

**1. 引言**
ACL断裂后对再次受伤的恐惧是许多运动员无法恢复到受伤前运动水平的主要心理障碍（Ardern等，2011；Hamdan等，2025）。尽管ACL重建手术技术和康复方案有所进步，但重返赛场的比例仍然不尽如人意，约44-65%的参与者未能重新参与竞技体育活动——这主要是由于心理障碍（Ardern等，2014；Ardern等，2011；Du等，2022；Hamdan等，2025）。虽然一些干预措施在缓解例如腰痛患者的再发/再受伤担忧方面有效（Woods和Asmundson，2008），但在ACL重建患者中并未观察到类似效果（Baez等，2021），这可能是由于评估方法的局限性。
在现实中的体育和临床环境中，自我报告问卷可能存在局限性，因为运动员往往会出于保护形象或避免暴露心理障碍而低估自身的不安感（Heil，2000；Grossbard等，2007；King和Bruner，2000；Wiechman等，2000）。然而，再受伤的恐惧可能会表现为异常的运动模式，例如跳跃落地时的腿部僵硬（Trigsted等，2018）和侧跳动作（Markstr?m等，2022a）。研究发现，高恐惧的个体表现出更高的腘绳肌激活程度和更强的肌肉前后协同收缩。因此，识别出具有再受伤恐惧相关运动模式的个体可以补充自我报告问卷的信息。在恢复体力活动之前这一点尤为重要，也是制定个性化康复计划的关键步骤。

实验室中的运动捕捉系统能够生成包含生物力学测量和肌电图（EMG）的大型多模态数据集。运动学（与运动相关）和动力学（与力相关）分析提供了关于关节角度、力矩和地面反作用力的详细信息，而EMG则能捕捉到仅通过运动学或动力学无法观察到的神经肌肉激活模式。机器学习（ML）技术为整合多模态数据以更好地理解再受伤恐惧的影响提供了有前景的方法。最近，我们提出了一种利用运动学和动力学数据进行深度学习的方法，以对ACL术后个体进行高恐惧或低恐惧分类（Karbalaie等，2025）。尽管基于实验室的测量能够提供详细的信息，但由于成本较高和获取难度较大，其应用范围有限（Johnson等，2019）。便携式传感器（如可穿戴式EMG设备）在临床或现场环境中提供了更为便捷的选择（Krishnakumar等，2024）。然而，目前尚不清楚单独使用EMG是否足够，或者结合多种信号类型是否能进一步提高分类准确性。最新研究表明，从可穿戴设备获取的生物力学和肌肉力量数据可以提供互补信息（Moghadam等，2023）。

本研究评估了在实验室环境中进行的侧跳过程中收集的EMG或生物力学数据单独使用或结合使用的情况，以及它们在机器学习（ML）模型中的应用，以根据问卷定义的恐惧类别将ACL术后个体分为高恐惧组（HIGH-FEAR）和低恐惧组（LOW-FEAR）。具体目标包括：（1）评估基于单模态生物力学或EMG数据的各种ML模型的分类性能；（2）确定多模态整合是否比单模态方法更能提升分类性能。我们假设单模态数据流可以取得较高的分类准确性，而多模态ML模型将进一步提高性能。报告遵循TRIPOD-AI框架（检查表；补充材料S1）。

**2. 方法**
2.1. 研究设计
本研究获得了瑞典乌梅奥地区伦理审查委员会的批准（项目编号：2015/67–31；2021–03860）。参与者签署了知情同意书，研究过程遵循《赫尔辛基宣言》（Declaration of Helsinki）。

2.2. 参与者
参与者通过骨科和运动医学诊所、当地体育俱乐部以及大学校园广告进行招募。纳入标准为：年龄15-35岁，能够完成单腿跳跃动作，过去五年内接受过单侧ACL重建手术并使用腘绳肌自体移植，且无其他影响跳跃表现的损伤（除外同时存在的半月板撕裂）。最初招募的88名参与者中，有10名因运动学数据不完整或EMG记录不完整而被排除，最终样本为72名（表1）。尽管这个便利样本中女性比例较高（50/72），但这与年轻女性运动员较高的ACL损伤风险相符（Hewett等，2005）。

表1. 所有参与者的总体特征及按再受伤恐惧分类后的结果测量值
| 特征 | 低恐惧组（LOW-FEAR） | 高恐惧组（HIGH-FEAR） |
|------------------|--------------|--------------|
| 性别 | 男： | 女： |
| 年龄（岁），平均值（标准差） | 24.5（4.5） | 24.7（4.7） |
| 手术后时间（月），中位数（四分位数范围） | 13.0（15.8） | 13.4（21.7） |
| 人体测量参数，平均值（标准差） | 身高（厘米） | 172.2（8.2） | 172.0（8.7） |
| 体重（千克） | 71.2（10.6） | 71.1（11.4） |
| 体重指数（千克/平方米） | 23.9（2.4） | 24.0（2.8） |
| 患者报告的结果测量值，中位数（四分位数范围） | 坦帕恐惧量表（17–68） | 31.0（8.8） | 29.0（7.5） |
| IKDC2000（最大值的百分比） | 79.9（13.2） | 85.5（10.9） |
| KOOS（最大值的百分比） | 77.0（12.1） | |
| 症状 | 82.1（21.5） | 87.5（21.4） |
| 疼痛 | 91.7（11.1） | 94.4（8.3） |
| 日常生活活动 | 100.0（1.5） | 100.0（1.5） |
| 运动/娱乐 | 80.0（23.8） | 90.0（15.0） |
| 生活质量 | 62.5（23.4） | 71.9（18.8） |
| Lysholm膝关节评分 | 89.0（11.8） | 90.5（11.5） |
| Tegner活动量表（术前得分） | 9.0（2.0） | 9.0（2.0） |
| 术后得分 | 6.5（3.5） | 6.5（4.8） |

* 低恐惧组与高恐惧组之间存在统计学上的显著差异（p < 0.05）。a：八名参与者的两次测试数据都被纳入主要数据分析，但仅计算了第一次测试的数据以确定组别特征。

2.3. 数据收集程序
2.3.1. 测试程序和设备
参与者完成了单腿标准化反弹侧跳（SRSH）测试（图1），该方法此前已被用于根据落地生物力学特征区分ACL术后的高恐惧组和低恐惧组（Markstr?m等，2022a）。测试在瑞典乌梅奥大学的U-Motion实验室进行。在身体解剖标志点上放置了56个反光标记。8个摄像头的3D运动捕捉系统（240 Hz，Oqus 300，Qualisys AB，瑞典）与两个力平台（1200 Hz，Kistler 9286AA，瑞士）协同工作，分别记录运动学和动力学数据。表面EMG数据通过直接传输系统（TeleMyo 542 DTS，Noraxon USA Inc.）以1500 Hz的频率同步记录。电极按照SENIAM指南放置在大腿伸肌（BF）、半腱肌（ST）、内侧股肌（VM）和外侧股肌（VL）上。电极放置前需进行剃须、清洁和消毒处理以减少阻抗。电极间距为20毫米。

2.4. 数据处理
2.4.1. 生物力学和EMG数据的预处理
使用Qualisys Track Manager（v. 2019.3）追踪标记轨迹，并将其导出到Visual3D（v. 5.02.30；C-Motion）进行运动学和动力学处理。数据通过15 Hz的临界阻尼零滞后数字低通滤波器进行滤波，以减少噪声并保持信号完整性。定义了八个自由度的运动学模型来描述躯干、骨盆、大腿、小腿和脚部的段落（参考Markstr?m等，2022a, 2022b, 2021）。每个段落至少由三个标记点追踪，大腿部位使用刚性标记簇。使用Schwartz和Rozumalski提出的功能关节中心方法确定髋关节中心，膝盖和踝关节中心则根据股骨髁和距骨上的标记点确定。通过Cardan XYZ旋转序列计算相邻段落之间的相对角度。关节动力学通过逆动力学方法和结果力矩计算得出，坐标系统以参考段落的坐标系为准（Markstr?m等，2022b）。所有分析的时间序列数据均经过三次多项式拟合插值进行时间标准化，以确保不同参与者和试验间的可比性。力矩数据根据体重进行归一化并表示为外部力矩。
EMG信号通过带通滤波（20 Hz–500 Hz）去除低频噪声和高频伪影，然后应用20 ms的均方根（RMS）移动窗口平滑信号。EMG幅度根据落地阶段的平均峰值进行归一化，以考虑个体间肌肉激活水平的差异。分析重点是落地阶段（外侧和内侧），即从初始接触地面到膝关节最大屈曲的区间。异常值检测与去除
在肌电图（EMG）数据中，我们使用四分位距（IQR）规则来识别异常值（Dekking等人，2005年）。如果EMG峰值低于Q1-1.5×IQR或高于Q3+1.5×IQR，则被标记为异常值。被标记为异常值的试验被丢弃。共有六个动作被识别为异常值并被移除，确保所有参与者至少保留了五个成功的动作，从而得到一个包含623个有效动作试验的数据集（高恐惧组=301，低恐惧组=322）。

3. 数据分析
3.1. 变量工程与特征提取
3.1.1. 工程化EMG变量
为了表征动态着陆任务中的神经肌肉激活模式，我们从记录的屈肌（BF，ST）和伸肌（VL，VM）肌群的时序信号中提取了EMG特征。这些特征是为着陆阶段的所有101个时间点计算的，以捕捉时间变化：
- 屈肌平均激活：Favgt=EMGBFt+EMGSTt2
- 伸肌平均激活：Eavgt=EMGVLt+EMGVMt2
- 共同收缩比率（CCR）：CCRt=min(Favg,Eavg)/max(Favg,Eavg)
- 共同收缩指数（CCI）：CCIt=(Favgt+Eavgt)/2×CCRt
其中t代表序列中的单个时间步长，EMGBF、EMGST、EMGVL和EMGVM分别是从相应肌肉记录的EMG信号。这些时间分辨度指标反映了着陆过程中肌肉共同激活和平衡的动态模式。

3.2. 数据分类
为了确保清晰性，我们按以下方式对数据进行了分类：
- 变量：来自关节角度、力矩和EMG信号的时间标准化时序数据。
- 变量工程：从EMG数据导出的变量（例如，Favg、Eavg、CCR、CCI）。
- 特征：使用基于可扩展假设检验的时间序列特征提取库（tsfresh）从时序变量中提取的高级特征。

3.3. 特征提取、选择和排名
我们使用tsfresh库（Christ等人，2018年）从生物力学、EMG和融合数据集中提取时序特征。首先应用了基于显著性的过滤器（p<0.05）。然后使用随机森林（RF）、额外树（ET）和梯度提升分类器（GBC）模型对剩余特征进行排名，以识别最关键的预测因子。最终选择GBC模型进行排名，并逐步评估特征子集（从5个到350个），以找到最佳的分类性能组合（图1）。每个模型输入的特征是从给定变量和侧别的完整时间标准化着陆轨迹（101个时间点）计算出的标量描述符，而不是单个事件样本。更多细节见补充材料S2–S3。

3.4. 数据标准化
特征使用scikit-learn的StandardScaler（零均值，单位方差）在每个折叠的训练数据上进行了标准化，并应用于相应的测试数据。

3.5. 分类模型和验证
3.5.1. 机器学习算法
我们评估了十种监督学习算法，包括线性模型（LR、线性判别分析（LDA）、二次判别分析（QDA）、基于实例的学习k-最近邻（KNN）以及集成/基于树的方法（RF、ET、GBC、AdaBoost（ADA）、极端梯度提升（XGB）和轻梯度提升机（LGBM），以捕捉线性和非线性关系。

3.5.2. 超参数调整
使用嵌套交叉验证调整超参数，在生物力学数据集的内循环中应用网格搜索。所得配置在EMG和融合数据集中重复使用，以保持可比性并减少计算开销。

3.5.3. 交叉验证策略
为了严格评估模型性能并减少过拟合，采用了两级交叉验证策略。在外循环中，使用了留一参与者法交叉验证（LOPOCV），其中每个参与者的数据在一折中仅作为测试集。这确保了训练和测试之间的参与者级独立性，提高了泛化能力（Lee和Lee，2024年；Palma Fraga等人，2023年）。在每个LOPOCV折叠中，训练集进一步使用分组3折交叉验证（GroupKFold-3）进行划分。每个分割都包含不同的参与者，以避免数据泄漏。这个内循环提供了无偏的内部验证，并有助于在模型训练期间检测过拟合，从而提高了最终评估的稳健性。

3.5.4. 特征重要性计算和可视化
为了识别分类高恐惧组（HIGH-FEAR）和低恐惧组（LOW-FEAR）个体的最具影响力的特征，我们从表现最好的模型中提取了特征重要性得分。这些得分是在每个外部交叉验证折叠中计算的，并在折叠间平均，以减少变异性并得出特征相关性的稳定估计。所得到的无量纲得分反映了每个特征对模型预测的相对贡献。为了提高可解释性，由tsfresh库生成的特征名称被简化并按生物力学功能和着陆方向分组（对于生物力学数据），以及按特定工程化指标分组（例如，CCI）进行分组（对于EMG数据）。在每个组内，得分被平均以生成汇总的重要性值。这些通过带精细标签的分组条形图进行可视化，以便于解释。有关机器学习算法、超参数调整和特征重要性计算的详细信息，请参见补充材料S2。

3.5.5. 评估指标和性能分析
在动作和参与者两个层面上评估了模型性能。在动作层面，每个动作试验继承了其参与者的恐惧标签（高恐惧/低恐惧），并计算了准确性（ACC）、F1分数和Matthews相关系数（MCC）来量化试验级别的区分度。在参与者层面，使用多数投票汇总动作级别的预测：如果≥50%的动作被预测为高恐惧，则将参与者归类为高恐惧组；否则，归类为低恐惧组。参与者级别的性能使用准确性、敏感性和特异性进行评估。敏感性定义为高恐惧组的真正例率（TP/(TP+FN)），特异性定义为低恐惧组的真正例率（TN/(TN+FP)。这两者都是从外部验证分割中汇总的参与者级混淆矩阵计算得出的。这种两级评估将试验级别的分类与识别恐惧再受伤个体的临床目标联系起来。

3.5.6. 模型选择
在多个特征子集大小（从前5个到350个特征）和三种数据模式（生物力学、EMG和融合数据集）上系统地评估了所有十种机器学习算法。模型选择基于关键评估指标上分类性能的一致性、LOPOCV和GroupKFold-3下的稳健性、潜在临床应用的可解释性以及计算效率。只有性能最好且最易解释的模型在结果部分报告中。

3.5.7. 计算环境
分析使用了Python（scikit-learn、XGBoost、LightGBM）。计算细节在补充材料S3中提供。

4. 结果
4.1. 分类性能和最佳特征选择
热图（图2）显示了随着选定特征数量的增加，准确率的变化情况。在所有三种数据类型中，AdaBoost通常与逻辑回归匹配或表现更好，而逻辑回归作为简单的线性基线。为了便于阅读，表2和表3报告了四种选定模型（LR、GBC、XGB、LGBM），所有模型和特征计数的完整结果见补充材料S3。

下载：下载高分辨率图像（649KB）
下载：下载全尺寸图像

图2. 三种数据集中选定特征的分类准确性热图
注：KNN = K-最近邻；LR = 逻辑回归；ADA = AdaBoost；LDA = 线性判别分析；QDA = 二次判别分析；GBC = 梯度提升分类器；XGB = 极端梯度提升；ET = 额外树；RF = 随机森林；LGBM = 轻梯度提升机。颜色等级：绿色表示较高的分类准确性；红色表示较低的准确性。（关于此图例中颜色的解释，读者请参考本文的网络版本。）

表2. 不同模型和特征集的参与者级别分类性能
数据类型 模型 前10个 前20个 前40个
准确性 敏感性 特异性 敏感性 特异性
生物力学 LR 0.67 0.67 0.67 0.61 0.61 0.71 0.71 0.69 0.78 0.78 0.78 0.82 0.83 0.81 0.83 0.81 0.83 0.81 0.83 0.81 0.81
GBC 0.83 0.85 0.81 0.76 0.74 0.81 0.82 0.81 0.83 0.83 0.81 0.83 0.81 0.81 0.81 0.83 0.72 0.71 0.75
EMG LR 0.74 0.76 0.69 0.74 0.72 0.65 0.66 0.64
GBC 0.74 0.72 0.78 0.81 0.78 0.86 0.79 0.76 0.86 0.86 0.89 0.72 0.70 0.78
LGBM 0.83 0.83 0.83 0.81 0.81 0.81 0.81 0.72 0.71 0.75
融合 LR 0.61 0.61 0.64 0.74 0.70 0.65 0.65 0.67

表3. 不同数据类型和特征集的动作级别分类结果

对于生物力学数据集，XGB和LGBM模型使用前10个特征取得了83%的最大准确性。在EMG数据集中，QDA使用前90个特征达到了86%的最高准确性。在可解释的模型中，XGB使用前20个特征获得了85%的最高准确性。对于融合数据集，XGB和GBC都使用前40个特征达到了86%的最高准确性。

4.2. 参与者级别的分类
最佳模型XGB和GBC在早期测试中显示出高准确性（表2），包括在生物力学、EMG和融合数据集中选定模型的准确性、敏感性和特异性得分。结果显示了前10个、20个和40个特征的情况。

4.3. 动作级别分类
表3总结了使用两种交叉验证方法（LOPOCV和GroupKFold-3）为选定模型（LR、GBC、XGB、LGBM）在单一模式和融合数据集上生成的动作级别分类结果，基于前10个、20个和40个特征。值得注意的是，在使用前40个特征的融合数据集中，XGB取得了79%的LOPOCV准确性，F1分数为78%，MCC为0.57。同样，GBC获得了77%的LOPOCV准确性，F1分数为76%，MCC为0.54。在所有模型和特征集中，LOPOCV和GroupKFold-3之间的平均绝对ACC差异为0.03±0.02。对于使用前40个特征的融合XGB模型，参与者内的动作级别预测通常是一致的：63.9%（46/72）的参与者最多有一个偏离的动作，而只有1.4%（1/72）显示出几乎平衡的动作模式。参与者之间动作级别一致性的完整分布见补充图S3.4和补充表S3.4。

4.4. 特征重要性分析
使用表现最好的XGB模型（图3a-c）进行了特征重要性分析，揭示了恐惧组之间的关键生物力学和肌肉区分因子（完整排名见补充材料S4）。如图3a所示，最具影响力的tsfresh衍生特征来自骨盆倾斜度、躯干倾斜和膝关节旋转轨迹，表明这些变量在所选模型下包含了最强的区分信号。肌肉激活模式，特别是腿部屈肌和伸肌组的平均激活，在分类中起着关键作用（图3b）。腘绳肌和股四头肌激活之间的平衡在区分高恐惧组和低恐惧组参与者方面很重要。对于融合数据，关键特征包括膝关节外旋、内侧屈肌平均激活和内侧躯干倾斜（图3c）。由于不同的机器学习（ML）模型和跨模型人工智能（XAI）技术可能强调不同的特征，因此临床解读应基于先前的证据以及模型间的一致性。除了模型选择之外，我们的验证策略还旨在确保方法上的严谨性。我们应用了LOPOCV和GroupKFold-3来评估模型的泛化能力和性能稳定性。LOPOCV实现了参与者级别的独立性，而GroupKFold-3则在分组样本中提供了补充性的评估。这种双重方法可以限制数据泄露，并支持对重复测量数据的稳定估计。

与较高恐惧相关的神经肌肉模式可能反映了膝盖保护策略，表现为关节周围的硬度增加（Markstr?m等人，2022a）。这可能会限制在不可预测或复杂环境中的适应性，从而可能增加受伤风险（Bartlett等人，2007）。此外，持续的协同收缩会增加胫股关节的压力（Tsai等人，2012），可能会加速退行性变化（Blackburn等人，2019；Hodges等人，2016）。因此，从临床角度来看，处理与改变运动策略相关的恐惧对于短期再受伤风险（Paterno等人，2018；Tagesson和Kvist，2015）以及长期的膝盖健康（Blackburn等人，2019；Hodges等人，2016）都是相关的。

QDA模型确定骨盆倾斜度是恐惧分类的一个有影响力的变量（Ore等人，2020）。该变量描述了骨盆在 frontal 平面上的倾斜程度。先前对髋部相关锻炼的综述（Ford等人，2015）发现，这样的干预可以减少下肢的动态外翻，这表明骨盆运动对下肢受伤有重要影响。此外，患有动态膝外翻和髌股疼痛的女性在单腿深蹲时，与正常技术相比，如果采用纠正后的技术，她的骨盆会向承重侧倾斜（即骨盆升高）（Graci和Salsich，2015）。尽管评估膝外翻非常重要，因为它与较差的膝盖控制和前交叉韧带（ACL）受伤风险相关（Hewett等人，2005；Padua等人，2012），但在我们的模型中并未发现与之相关的排名靠前的特征。一个可能的解释是我们选择了矢状面控制肌肉的激活情况，而动态膝外翻更多与髋部外展肌的激活有关（Bittencourt等人，2012）。

膝屈肌和伸肌之间的肌肉不平衡通常被认为是再受伤的风险因素，尽管有限的证据支持需要更好的监测（Kellis等人，2023）。因此，进一步开发用于分析肌肉激活模式并检测与增加受伤风险相关的异常的临床工具是很重要的。可穿戴的惯性测量单元（IMU）或肌电图（EMG）系统结合有针对性的ML工具，可以在康复早期实施定制化的干预措施，以解决对再受伤的恐惧问题。将基于恐惧的生物力学和神经肌肉运动特征的客观评估纳入重返赛场测试中，并与传统指标一起使用，可以提高识别出在恢复高强度运动之前可能有较高再受伤风险的个体的能力（Cronstr?m等人，2023）。我们的研究还展示了整合多模态数据与先进ML技术的价值，以改进未受伤运动员的筛查以及在康复期间和恢复运动后持续监测受伤个体的能力。这样的努力可以提高治疗效果的精确性，了解何时为高恐惧个体提供适当的治疗选项，例如认知行为疗法（Coronado等人，2020）。

我们评估了来自线性、判别、基于距离和集成树家族的十个分类器（Halilaj等人，2018；James等人，2013）。我们重点关注了在LOPOCV和GroupKFold-3下既可解释又具有竞争力一致的模型。总体而言，结合数据集中的梯度提升树模型表现最强且最稳定（参与者级别：使用XGB/GBC的准确率高达0.86；表2；跳跃级别：使用前40个特征的XGB在LOPOCV下的准确率为0.79；表3）。有关所有算法和特征计数的完整准确率热图，请参见补充材料S3。支持向量机（SVM）和神经网络没有包含在最终模型集中，因为它们需要更多的调整，并且在初步比较中没有显示出明显的性能提升。更大的队列可能需要重新考虑这些模型家族。

最佳跳跃级别设置（结合XGB，前40个特征）在LOPOCV下的准确率为0.79，表明存在非微不足道的试验级错误分类（表3）。为了明确错误是否平衡，我们报告了参与者级别的敏感性和特异性（表2）。对于最佳的结合模型（XGB，前40个特征），敏感性和特异性相似（分别为0.86和0.86），表明没有明显偏向假阳性或假阴性。我们认为模型输出是对问卷评估的补充，而不是替代。未来的工作应测试其前瞻性临床效用和外部有效性。

在康复环境中，我们的方法可以在侧跳测试中应用，以提供与更高自我报告恐惧状态相关的基于任务的运动轮廓。侧跳比其他常见的临床测试（如基于距离或高度的跳跃）对膝盖控制的挑战更大（Markstr?m等人，2023）。为了更广泛的实施，便携式传感器选项（如EMG、IMU和基于视频的标记较少系统）需要特定于任务的验证。当使用IMU估计关节运动学/动力学时，与前视平面相比，frontal 平面上的测量结果可能不如光学系统的结果准确（Dahl等人，2020），这对于与外翻相关的运动模式尤为重要。然而，IMU还提供了丰富的原始加速度和角速度信号，这些信号可以在不显式重建关节运动学/动力学的情况下支持分类。未来的工作应该对此进行评估。

5.2. 限制
首先，恐惧标签来源于一个单一的自我报告项目（TSK-17，Q9），在竞争性情境下（Grossbard等人，2007），这可能会导致低估。在非特定于运动的压力下收集评分可能缓解了这一问题，但临床医生评分或多项目测量可以加强真实情况。其次，我们的横断面设计排除了关于自我报告的恐惧与运动模式之间的方向性以及这些特征随时间变化的推断。纵向设计可以验证躯干倾斜或膝盖旋转的变化是否与恐惧轨迹一致。第三，我们在生物力学数据集上调整了超参数，并将其重新用于EMG和融合模型。这减少了计算量，但可能会降低EMG的准确性。针对每种模式的调整可能提高性能。第四，我们仅使用SRSH任务评估了组间差异和模型性能。与恐惧相关的生物力学和EMG模式可能因运动任务和生物性别而异。未来的工作应该将SRSH与其他标准化的功能范式进行比较，以直接测试任务依赖性，并解决可能的性别相关差异，这超出了当前的研究范围。

6. 结论
本研究表明，仅使用来自EMG的特征，以及结合生物力学数据的多模态方法的额外改进，机器学习模型可以非常高精度地对ACLR后的再受伤恐惧进行分类。未来实施这些方法时，如果使用可穿戴的EMG和/或IMU系统，可以帮助临床医生识别可能受益于更全面康复措施的恐惧个体，这些措施旨在解决重返体育或体育活动的心理障碍。

未引用的参考文献：
Guyon和E.A.，2003；Saeys等人，2007。

CRediT作者贡献声明：
Abdolamir Karbalaie：写作——审阅与编辑，写作——原始草稿，可视化，软件，方法学，调查，正式分析，概念化。
Adam Grinberg：写作——审阅与编辑，调查，数据管理。
Andrew Strong：写作——审阅与编辑，调查，数据管理。
Helena Grip：写作——审阅与编辑，调查。
Kalle Prorok：写作——审阅与编辑，验证，调查。
Charlotte K. H?ger：写作——审阅与编辑，监督，资源管理，项目管理，方法学，调查，资金获取，数据管理，概念化。
Tomas Nordstr?m：写作——审阅与编辑，验证，监督，方法学，概念化。

CK H?ger为当前研究获得了以下资助：
- 瑞典研究委员会（资助编号：K2014-99X-21876-04-4；2017-00892；2022-00774）
- V?sterbotten地区（资助编号：ALF VLL548501，VLL838421和战略资金VLL-358901；项目编号：7002795；Cutting Edge资金RV966109和2022-2024；ALF资金RV 967112和2022-2024）
- 瑞典体育科学研究委员会（资助编号：2021/9 P2022；2022/10；P2023-003；P2024-0036；P2025-0069）
- 乌普萨拉大学体育科学学院（资助编号：IH 5.2–2021；IH 5.1-7-2025 Karbalaie）
- King Gustaf V和Queen Victoria’s Freemasons基金会。