人体运动生物力学中时间序列数据增强的范围综述

机器学习和深度学习的集成已通过可穿戴传感器数据的广泛应用，变革了生物力学领域的数据分析。然而，该领域面临数据规模有限和高数据获取成本的挑战，这些因素阻碍了稳健算法的开发。数据增强技术在缓解这些问题方面显示出前景，但其在生物力学时间序列数据中的应用需要全面评估。本范围综述探讨了生物力学领域时间序列数据增强的方法。它分析了当前用于增强和生成时间序列数据集的方法，评估了其有效性，并为在生物力学中应用这些技术提供了建议。我们检索了 PubMed、IEEE Xplore、Scopus 和 Web of Science 四个数据库中2013年至2024年发表的研究文献。遵循PRISMA-ScR指南，进行两阶段筛选后确定了21篇相关文献。结果显示，没有通用偏好的方法来增强生物力学时间序列数据；相反，方法根据研究目标而变化。一个主要问题是合成数据中缺乏软组织器官，导致与实际数据之间的差异，称为合成鸿沟。此外，许多研究缺乏对数据增强方法的恰当评估，难以评估其对模型性能和数据质量的影响。本综述突显了数据增强在解决数据集可用性有限和提高模型概括能力方面的关键作用。针对生物力学数据的特性进行数据增强策略的定制化是推动预测建模发展的关键。更好地理解不同数据增强方法对数据质量和下游任务的影响将是开发更有效和更真实技术的关键。