基于智能手机IMU的反向跳跃过程中垂直地面反作用力的预测:一种深度学习方法

《The Journal of Strength & Conditioning Research》:Smartphone IMU-Based Prediction of Vertical Ground Reaction Force During Countermovement Jumps: A Deep Learning Approach

【字体: 大 中 小 】 时间:2026年06月30日 来源:The Journal of Strength & Conditioning Research 3.0

编辑推荐:

  摘要通俗版总结 Kim, H, Kong, T, Han, H, Ha, D和Kipp, K. 基于智能手机惯性测量单元的对抗性跳跃过程中垂直地面反作用力的预测:一种深度学习方法。J Strength Con

  

Kim, H, Kong, T, Han, H, Ha, D和Kipp, K. 基于智能手机惯性测量单元的对抗性跳跃过程中垂直地面反作用力的预测:一种深度学习方法。J Strength Cond Res XX(X): 000–000, 2026—对抗性跳跃是一种常用于评估神经肌肉功能的测试方法,尤其在体育和康复领域。测量对抗性跳跃过程中的垂直地面反作用力对于计算诸多重要参数(如跳跃高度、功率等)十分重要。不过,要测量这一数值需要使用成本较高的实验室设备,比如力板。本研究探讨了是否可以利用智能手机的惯性测量单元数据,通过深度学习方法来估算垂直地面反作用力以及相关的运动表现指标。19名健康成年人在胸部位置手持智能手机进行10次对抗性跳跃,同时用2块力板记录真实的垂直地面反作用力数据。来自惯性测量单元的3轴加速度和方向信号经过过滤、重力补偿和时间标准化处理后,还通过添加白高斯噪声的方式扩充了数据量。研究人员利用基于双向长短期记忆网络的神经网络,根据处理后的惯性测量单元数据来预测垂直地面反作用力波形。模型性能通过波形均方根误差以及跳跃高度、功率、动作周期等离散生物力学指标来评估。预测得到的垂直地面反作用力波形与实际测量值非常接近(均方根误差为0.0319 ± 0.0066体重单位)。大多数离散指标的标准化均方根误差都低于5%。五折交叉验证的结果也显示该模型的泛化能力稳定(均方根误差为0.0353 ± 0.0017体重单位)。这些结果表明,仅通过智能手机的惯性测量单元数据,就可以利用双向长短期记忆网络准确估算垂直地面反作用力。这种方法相比传统的力板检测方式更为实用且易于推广,能够让人们在实地和临床环境中,借助常见的移动设备就能进行生物力学分析。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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