基于可解释机器学习的跑者膝关节损伤检测
机器学习
2026-02-13 v1
摘要
跑步是一种广泛实践的活动，但尤其是髋骨前庭痛综合征 (PFPS) 和髂胫带综合征 (ITBS)，显示出高发伤率。识别与这些损伤相关的步态模式可改善临床决策，这需要精确系统来捕获和分析时序关节运动学数据。本研究使用光学运动捕捉系统来增强对损伤相关跑步模式的检测。我们分析了来自 839 例健康与受伤跑者的公开数据集，评估这些系统如何有效捕获与损伤分类相关的动态参数。重点关注站姿阶段，使用关节和段位角度时间序列和离散点值。针对三个分类任务：健康 vs. 受伤、健康 vs. PFPS、健康 vs. ITBS，我们检查不同的特征空间，从传统基于点的指标到完整站姿阶段时间序列和混合表示。测试多种模型，包括经典算法 (K 近邻、高斯过程、决策树) 和深度学习架构 (CNN、LSTM)。以准确率、精确率、召回率和 F1 分数评估性能。解释性工具如 Shapley 值、显著性图和 Grad-CAM 用于解释模型行为。结果表明，结合时间序列与离散点值可显著提升检测效果。深度学习模型优于经典方法，CNN 在 PFPS、ITBS 和综合损伤类别中分别实现最高准确率：77.9%、73.8% 和 71.43%。这些发现凸显了运动捕捉系统与高级机器学习结合用于识别膝关节损伤相关跑步模式的潜力。
引用
@article{arxiv.2602.11668,
title = {Explainable Machine-Learning based Detection of Knee Injuries in Runners},
author = {David Fuentes-Jiménez and Sara García-de-Villa and David Casillas-Pérez and Pablo Floría and Francisco-Manuel Melgarejo-Meseguer},
journal= {arXiv preprint arXiv:2602.11668},
year = {2026}
}