基于深度学习的场上球员负荷暴露与膝关节损伤风险监测
计算机视觉与模式识别
2019-07-12 v3
摘要
在体育分析中,准确了解场上三维膝关节力矩(KJM)可为运动员负荷暴露和膝关节损伤风险提供早期预警系统。传统上,该分析依赖于实验室固定的测力台及相关的下游生物力学建模,许多研究者通过外推基于线性统计构建的模型来解决便携性问题。另一种方法是利用深度学习的最新进展。本研究中,使用预训练的CaffeNet卷积神经网络(CNN)模型,比较了基于标记的运动捕捉到三种运动相关动作类型之三维KJM的多元回归。在侧向切入动作支撑相最初33%阶段,获得了与源建模最强的总体平均相关性0.8895。这三种与前交叉韧带(ACL)损伤相关的关键KJM的平均预测精度,证明了使用深度学习替代实验室嵌入式测力台进行场上膝关节损伤评估的可行性。这种多学科研究方法显著推进了现实世界物理模型的机器表征,对社区和职业级别运动员均具有实际应用价值。
引用
@article{arxiv.1809.08016,
title = {On-field player workload exposure and knee injury risk monitoring via deep learning},
author = {William R. Johnson and Ajmal Mian and David G. Lloyd and Jacqueline A. Alderson},
journal= {arXiv preprint arXiv:1809.08016},
year = {2019}
}