機器學習支持的下一代可穿戴傳感器算法,預防跑步運動傷害
來自範德比爾特工程學院,數據科學學院和臨床研究人員的一組研究人員開發了一種新穎的方法,用於監視娛樂和職業運動員的骨應力,目的是預測和預防傷害。研究人員使用機器學習和生物力學建模技術,建立了多傳感器算法,該算法將來自鞋子中輕巧,低調的可穿戴傳感器的數據進行組合,以估算脛骨或脛骨上的力(這是跑步者應力性骨折的常見現象)。該算法產生的骨力數據精度比可用可穿戴設備高出四倍,並且該研究發現,傳統的可穿戴指標(基於腳撞擊地面的力度)可能不比計數步數更準確地用於監測脛骨負荷範。
10月22日 ,《Human Movement Science》雜誌在線發表了文章"Combining wearable sensor signals, machine learning and biomechanics to estimate tibial bone force and damage during running" 。
骨應力損傷(BSI)意味著骨骼不能承受重複的機械載荷,從而導致結構疲勞和局部骨痛。BSI診斷的延遲可能導致更嚴重的傷害,例如需要更長治療時間的應力性骨折。
骨骼具有一定的自愈功能,但是如果反覆骨負荷造成的微損傷速度超過組織癒合的速度,則應力性骨折的風險會增加,這會使跑步者失去工作兩到三個月。
研究生和康復工程與輔助技術中心運動分析實驗室主任Emily Matijevich說:"骨骼負荷的微小變化等於骨骼微損傷的指數差異。" "我們發現,力估算中有10%的誤差會導致損壞估算中的100%誤差。大幅度高估或低估跑步造成的骨骼損傷,對試圖逐步了解其受傷風險的運動員造成嚴重後果。這突出了為什麼對我們來說開發更精確的技術來監測骨骼負荷並設計下一代可穿戴設備如此重要的原因。"
範德比爾特技術提供了獨特的新功能,可以估算內部組織力和由於重複加載而造成的損壞,而這是現有可穿戴設備所缺乏的。
這項技術的最終目標是更好地了解過度使用傷害的風險因素,然後提示跑步者休息幾天或在受傷發生之前修改訓練。
範德比爾特軟體集成系統研究所的研究員Peter Volgyesi評論:"機器學習算法利用最小絕對收縮和選擇算子回歸,使用一小組傳感器生成高度準確的骨負荷估計值,平均誤差小於3%,同時識別出最有價值的傳感器輸入" 。
這項創新是可穿戴技術的首批實例之一,該技術既實用,又可以在日常生活中佩戴,並且可以準確地監測肌肉骨骼組織上的力和對肌肉骨骼組織的微損傷。該團隊已開始應用類似的技術來監測腰背負荷和受傷風險,這些技術專為需要重複提舉和彎曲的職業中的人而設計。這些可穿戴設備可以追蹤傷後康復的效果,或為重返比賽或重返工作的決定提供依據。