基于人体测量学与生物力学特征预测跆拳道运动员的无氧力量状况：一种具有SHAP和LIME可解释性的多分支注意力深度网络

《Scientific Reports》：Predicting anaerobic power status of taekwondo athletes from anthropometric and biomechanical features: a multi-branch attention deep network with SHAP and LIME interpretability

　　

摘要

无氧力量是影响跆拳道竞技表现的核心身体素质指标；然而，Wingate 30秒测试对实验室条件要求极高，且需要专用设备，因此难以在基层训练中广泛使用。本研究旨在探讨能否通过低成本、易获取的人体测量学和生物力学特征来预测跆拳道运动员的无氧力量水平（高/低），并提出一种针对小样本体育科学场景的领域感知型深度学习模型。研究使用了包含320名优秀跆拳道运动员（177名男性，143名女性）的公开数据集，收集了19个人体测量学和生物力学特征，通过以性别分层的中位数作为阈值来划分高/低力量等级（女性中位数为8.41 W/kg，男性为11.97 W/kg），从而得到161例高力量和159例低力量的二元分类标签。我们提出了人体测量学-生物力学多分支注意力网络（ABM-Net），该模型通过三个并行分支内的自注意力编码以及双向跨分支注意力机制，明确建模了人体测量学和生物力学特征的领域知识结构，同时还加入了可学习的线性残差旁路以及多种小样本正则化策略（如标签平滑BCE、Mixup、SWA和5种子深度集成方法）。在统一的5折分层交叉验证方案下（random_state = 2024），ABM-Net与11种模型进行了对比，这些模型包括5种传统机器学习基准模型和5种表格型深度学习基准模型，评估指标包括准确率、精确率、召回率、F1分数、AUC-ROC以及马修斯相关系数。此外，还运用SHAP和LIME方法对ABM-Net进行了双重可解释性分析。在11种模型中，ABM-Net的准确率（0.8562）、精确率（0.8485）和马修斯相关系数（0.7127）表现最佳；不过，逻辑回归基准模型的F1分数（0.8597 vs. 0.8589）和AUC值（0.9379 vs. 0.9317）略高，因此ABM-Net的优势主要体现在马修斯相关系数、特异性（0.843）方面，其改进效果较为有限。通过排列重要性分析可知，性别（ΔAUC=0.2799）、垂直跳跃高度（0.2207）以及30米短跑成绩（0.1580）的重要性最高，而SHAP和LIME的归因结果则主要与训练经验和年龄有关。这两种分析结果并非相互印证，而是相互补充——在性别分层的标签体系中，性别与标签之间的边际相关性几乎为零（r≈0），因此性别主要作为性别条件变量起作用，而非通过直接的叠加效应产生影响。凭借其领域感知型分支架构和跨分支注意力机制，ABM-Net能够捕捉人体测量学和生物力学特征之间的非线性协同效应，在小样本体育科学表格数据上取得了与强大传统基准模型相当的性能。该模型可作为低成本筛查工具，用于辅助而非替代基于实验室的Wingate测试；一旦在独立群体中得到验证，便可为人选筛选和跆拳道个性化训练监控提供可解释的支持。