多模态生物力学分析与机器学习融合:立定跳远表现关键因素识别

《Journal of Computational Science》:Integrating multimodal biomechanical analysis and machine learning for key factors identification in standing long jump performance

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Computational Science 4.0

编辑推荐:

   摘要AI辅助体能测试的日益普及凸显了对精确基于计算机视觉的运动分析的需求。本研究提出了一种面向生物力学的多模态分析框架,用于立定跳远(SLJ)评估,适用于基于视频的常规姿态估计序列。该框架针对两个关键挑战:准确检测起跳和落地瞬间,以及探究多模态变量与跳跃表现之间的关联。研究采

  

摘要

AI辅助体能测试的日益普及凸显了对精确基于计算机视觉的运动分析的需求。本研究提出了一种面向生物力学的多模态分析框架,用于立定跳远(SLJ)评估,适用于基于视频的常规姿态估计序列。该框架针对两个关键挑战:准确检测起跳和落地瞬间,以及探究多模态变量与跳跃表现之间的关联。研究采用了一种基于基准参考的事件推断策略,结合脚-地交互线索与踝关节运动学,从常规视频序列中识别起跳和落地时刻。进一步采用了一种生物力学表征程序,整合生理加权质心(CoM)估计、轨迹拟合和可解释的多模态关联分析,以分析潜在的表现相关因素。首先,开发了一种双标准检测算法,结合脚-地离地间隙和踝关节加速度,识别具有代表性的起跳和落地时间戳(例如,运动员1的4.20秒和4.50秒)。对于空中阶段,采用生理加权CoM轨迹(基于节段质量分布:头部0.07,躯干0.46,上肢0.18,下肢0.29)和抛物线轨迹拟合,所得轨迹模式在所采用的预处理配置下以及所采用的二次运动公式下,在各分析的高分辨率帧序列中保持相对一致。其次,构建了一个综合特征集,包含八个技术描述符(例如起跳角度、摆臂频率)和个体生理参数。随后采用一种可解释的多模态关联框架,将这些变量与集成特征重要性机制相结合,以检验所分析变量与跳跃表现之间的关联。实证分析表明,体质变量与跳跃表现的整体关联相对较强,而在所检验的可调节技术描述符中,起跳角度和摆臂频率表现出相对较强的关联。本研究并不追求根本性的算法修改,而是强调一种面向应用的多模态集成框架,优先实现协调的生物力学解释,为AI辅助运动训练分析提供了一种实用范式。

引言

立定跳远(SLJ)是下肢爆发力和神经肌肉协调性的基本测试项目,在全球体能评估中被广泛使用。传统评估主要依赖跳跃距离的手动测量,这对表现复杂生物力学决定因素的洞察有限[1]。计算机视觉、无标记姿态估计和机器学习领域的最新进展为无损、定量运动分析开辟了新的途径,提供了更丰富的运动学细节[2]、[3]。然而,如何有效地将从常规视频中提取的时间序列关节运动学与个体生理档案相结合仍然具有挑战性。特别是,检验视频衍生的生物力学描述符和个体生理变量与SLJ表现之间的关联,需要协调的生物力学解释和数据驱动的分析建模。
先前的研究已在多个相关领域奠定了重要基础。在运动捕捉方面,深度学习和姿态估计模型已被广泛应用于人体姿势和运动分析。Roggio等人[4]提供了一项全面的叙述性综述,梳理了应用于人体运动的各种机器学习姿态估计模型,而Yoma等人[5]报告了无标记系统在运动相关任务中测量下肢和躯干运动学的良好可靠性和效度。聚焦于爆发式垂直表现,Aleksic等人[6]通过验证自动反跳深度跳跃分析证实了无标记追踪与传统的三维标记系统具有相当的准确性,这一共识进一步由Ogura等人[7]在其专门针对跳跃任务的系统性荟萃分析中得到确立。在跳跃力学这一具体语境下,研究人员已对孤立的技术组成部分进行了深入调查;Scherrer等人专门分析了SLJ中的起跳和落地位移策略,以突出下肢协调性[8],而Fathian等人则利用惯性传感器量化了摆臂对跳跃动力学的机械贡献[9]。为了将原始运动学与物理解释联系起来,Richmond等人[10]强调质心的连续轨迹是平衡、稳定性和运动质量的关键、可解释的决定因素。尽管当代工具包如RTMPose[11]能够实现高效的实时关键点提取,但在将这些工程能力转化为连贯的、可解释的分析协议方面仍存在差距,这些协议能够将实证运动学转化为教练可以采取行动的建议性见解。
尽管取得了上述进展,当前方法仍存在若干局限性。首先,许多研究依赖单一数据模态,无论是纯视频运动学、传感器信号还是孤立的体能评估,缺乏一个将技术执行与固有身体属性融合的集成框架。其次,SLJ分析中的机器学习应用往往优先考虑黑盒预测精度而非模型可解释性,未能提供教练可用的、针对特定因素的建议性见解[2]。第三,处理原始运动学序列以定位关键事件(例如精确的起跳和落地时刻)的方法可能对噪声高度敏感或依赖简单的启发式规则。为弥补这些差距,本研究提出了一种集成多模态框架,在常规视频条件下将生物力学建模与可解释的机器学习相结合。具体而言,我们的贡献包括三个方面:(1) 我们设计了一种基于基准参考的事件定位策略,将脚-地交互线索与踝关节运动学相结合,以实现可靠的空中阶段分割;(2) 我们开发了一种生理加权的生物力学表征程序,整合质心估计和轨迹拟合,以提取稳健的运动学表示;(3) 我们构建了一种可解释的多模态分析框架,将生物力学描述符与基于关联的分析相结合,从视频和生理数据中探究表现相关因素。与独立优化的模块化流水线不同,所提出的框架在分析上链接了运动事件定位、轨迹表征和多模态解释阶段,从而减少了帧级分割波动向下游生物力学分析的传播。

章节摘要

跳跃表现评估的集成分析框架

本节介绍了为SLJ表现评估所开发的分析框架的详细数学公式和计算架构。该框架由三个协调的分析模块组成,旨在解决两个基本研究目标:跳跃运动的准确生物力学表征,以及所分析变量与SLJ表现之间关联的检验。完整的工作流,展示了各

结果

本研究分析的运动学和生理数据来源于公开可用的CMathC立定跳远(SLJ)数据集,该数据集包含基于视频的人体姿态序列和相应的体能报告。本研究分析的数据包括10名运动员和34条原始SLJ序列。选取运动员1和运动员2的两条序列作为代表性案例,以说明事件检测和运动学分析程序。其余32条序列来源于

局限性

本研究存在若干局限性,在应用研究结果时应予以考虑。首先,所有运动学和体能数据均来源于单一的公开可用CMathC SLJ数据集,这可能引入来源特异性偏差。其次,多模态统计分析基于运动员3至10的八条运动员级别记录(N=8)。这一较小的运动员级别样本可能限制了所观察到的特征关联模式的统计稳健性和泛化性。第三,

结论

本研究提出了一种集成多模态框架,以应对AI辅助SLJ表现评估中的两个关键挑战:精确的运动事件检测和所分析变量与SLJ表现之间关联的可解释分析。本研究的主要约束在第4节(局限性)中进行了全面讨论。因此,以下结论应在该语境下进行解读。
为实现稳健的时间序列分割,一种

CRediT作者贡献声明

Zhiyi Zhang:撰写 – 审稿与编辑。Yujie Long:撰写 – 审稿与编辑。Mingqing Huang:数据整理、概念设计。Junwei Liang:数据整理。Kai Jiang:撰写 – 审稿与编辑、撰写 – 初稿、资源提供。

利益冲突声明

我们声明,我们与其他个人或组织之间不存在可能不当影响我们工作的财务或个人关系,我们对任何产品、服务和/或公司不存在任何性质的专业或其他个人利益,这些利益可能被理解为影响了本手稿中呈现的观点或对手稿的评审。
这是一项原创性工作,所描述的工作此前未曾发表,也未被提交至其他出版物考虑。我也

致谢

本工作得到了广东省基础与应用基础研究基金(编号2022A1515110667和编号2023A1515110070)的支持。
Zhiyi Zhang|Yujie Long|Mingqing Huang|Junwei Liang|Kai Jiang
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