文摘

跑步机广泛用于运行疲劳实验,和足底力学参数的变化引起的疲劳和性别,以及预测疲劳曲线的一种机器学习算法,扮演着重要的角色在提供不同的培训项目。这个实验旨在比较峰值压力的变化(PP),峰力(PF)、足底冲动(PI),和性别差异新手跑步者在他们疲劳的运行。支持向量机(SVM)是用来预测的疲劳曲线根据变化PP、PF,π之前和之后的疲劳。15名健康男性和15名健康女性完成2分3.3 m / s的速度±5% footscan压盘之前和之后的疲劳。疲劳后,PP、PF和π趾(减少T1)和second-fifth脚趾(T2 - 5),而鞋跟内侧(HM)和脚跟外侧(HL)增加。此外,PP和第一跖骨(π也增加了米1)。PP、PF和πT1,T2 - 5女性明显高于男性,和跖骨3 - 5 (米3 - 5)在女性比男性明显降低。支持向量机分类算法结果显示使用的准确性高于平均水平T1页/ HL PF(训练精度:65%;测试精度:75%),T1 PF / HL PF(训练精度:67.5%;测试精度:65%)和HL PF /T1π(训练精度:67.5%;测试精度:70%)。这些值可以提供运行和性别有关的损伤信息,如跖骨应力性骨折和拇指外翻。应用支持向量机的识别足底机械特性之前和之后的疲劳。足底区后疲劳的特性可以识别和足底区组合的学习算法与高于平均水平的准确性(T1页/ HL PF,T1 PF / HL PF, HL PF /T1π)可以用于预测疲劳运行和监督培训。它提供了一个重要的想法跑后疲劳的检测。

1。介绍

在现代对健康最严重的威胁已被确认为久坐行为与身体活动不足(1]。运行一直是受欢迎的休闲活动。运动员有更低的静息心率、体重、身体质量指数(BMI),甘油三酸酯水平与一般人群相比,(2),这表明有规律的体育锻炼可以降低心血管疾病的风险。同时,运行带有相当大的受伤的风险。在后续情况下的人口,据报道,由跑步引起损伤的发病率是2.5每1000人33.0例h (3]。然而,受伤的原因是多种多样的。大多数由跑步引起下肢损伤,例如,错误是可以避免的训练的结果(4,5]。此外,长期积累和强大的培训可能会导致增加胫骨疼痛(6]。

肌肉疲劳是一个复杂的生理状态诱导不仅通过肌肉的变化能力,而且通过中枢神经系统无法适当地驱动运动神经元(7]。长期运行已被证明导致中枢疲劳,这会减少最大自主足底屈肌的力量。跖屈肌疲劳可以限制这些肌肉的力量在推进阶段的运行,和下肢力量可以降低30 - 40%在运行(8,9]。下肢的生物力学特性变化的疲惫,在预防运动损伤是至关重要的。膝关节角度变化和时刻,因为疲劳,例如,可以用来预测前交叉韧带损伤10]。

几种测量方法已经在许多研究利用量化脚动力学和下肢损伤之间的关系。足底机械测量被经常用来评估整体运行性能结果的11,12]。第二和第三跖骨疲劳后立即表现出峰值压力增加10%,30分钟后,增加了11%,在第一个脚趾重要负荷下降12% (13]。值得注意的是,增加负载下跖骨骨可以产生生物力学失衡,这可能导致跖骨痛(14]。此外,增加足底负载将促进足底腱膜拉伸应力,从而导致microtraumas结缔组织和退化,促进足底筋膜炎的发展(15,16]。总之,目前迫切需要反思和评估疲劳和疲劳损伤通过足底力学参数的变化。鞋垫技术活动分类两足底压力和加速度计数据,增加技术成本和复杂性(17,18]。平台的优点是,它很容易使用,因为它是静止的,平,可以应用于实验室环境(19]。因此,我们使用了footscan力平台检测足底的力学特性。跑步机已经广泛应用于实验室研究容易控制速度梯度。以前的研究也表明,在跑步机上跑步是不同于运行在地上。跑步机运行是否可以模拟运行在地上仍然是一个有争议的问题(20.]。这个实验只研究了足底力学参数的变化形式后疲劳在跑步机上跑步。

男性和女性有不同的骨骼结构和肌肉力量,和研究表明,女性比男性更有可能保持下肢损伤在运行(21,22]。女性比男性更容易有踝关节的韧带松弛,和女性大约两倍雄性有踝关节扭伤23]。足底机械参数分布受到几个因素的影响,包括体重、性别、脚结构,甚至一个人如何站或走24]。法医学专家使用脚骨的变化来确定性别(25]。然而,性别差异上没有一致的结果在足底压力特征。据研究[26),没有显著变化足接触面积和足底压力在男性和女性之间。脚趾下的压力比男性更高的女性青少年青少年,而男性青少年的压力更高只有hindfoot,和跖趾趾的压力增加更重要的是女性(27]。足底力学参数由于性别的差异可以反映很多实际问题。因此,有必要探讨性别差异对足底力学参数的影响。

在生物力学研究中,传统的统计方法分类的能力有限集团基于多变量(28]。近年来,支持向量机(SVM)已成为一个新的工具,解决生物分类问题(29日]。通过创建歧视性参数分离组织,支持向量机试图发现一个超平面之间的距离最大化组织(30.]。支持向量机的优点是生产基于有限的数据集分类结果同时最小化结构和经验风险31日]。在个人运动损伤是常见的,会导致严重的生理效果。减少了运动能力,因为疲劳增加肌肉骨骼损伤的发生率[32]。因此,预测运动损伤的发生是保持健康的关键(33]。先前的研究[34)使用支持向量机来预测糖尿病足溃疡基于足底力学参数。Aguirre et al。35)提出了一个计算模型预测疲劳在运动从一个坐着一个站着的姿势,这可能有助于康复。如果et al。36)采用支持向量机的步态识别和分形分析和测试识别性能,和测试的结果表明93.57%的总体精度通过径向基函数内核。宋et al。37使用SVM分类活动模式基于足底压力特征,识别率达到95.2%。不删et al。38]使用支持向量机,确定了疲劳和运动区别nonfatigue基于主成分分析,疲劳的进步和nonfatigue分离,分类精度为99.4%。王等人。39)利用惯性测量单元(IMU)和支持向量机来区分疲劳和nonfatigue运行状态,并预测疲劳的程度。大腿胫骨和艾莫斯的分类精度为91.10%。足底压力评价的特点分析与机器学习算法交叉验证:支持向量机,决策树,判别分析,再邻居在快乐的研究等。17]。结果表明,支持向量机,决策树分类精度更高。此外,其他研究已经表明,支持向量机的最佳性能在步态特征的区别40]。因此,支持向量机用于预测疲劳在这项研究。此外,许多研究人员应用支持向量机的步态识别特征之前和之后的疲劳,但很少有研究关注足底力学特性之前和之后的疲劳。

结果,本研究旨在探讨不同峰值压力(PP),峰力(PF)和足底冲动(PI)之前和之后的长跑新手跑步者疲劳,以及性别差异。我们也采用SVM算法基于足底力学参数来预测疲劳。基于之前的研究,我们认为,足底疲劳前后的力学参数的变化主要发生在脚趾。也认为,性别差异在足底力学参数主要是集中在脚趾和跖骨区域。此外,它是假定SVM预测疲劳在一个较高的水平。

2。材料和方法

2.1。参与者

本研究的实验对象是15名健康男性和15名健康女性(13,25新手跑步者(表)1),占主导地位的腿。参与者招募从宁波大学体育俱乐部,通过社交媒体。没有健康问题,神经肌肉异常,或公认的步态障碍的参与者,也没有下肢损伤实验前应在6个月内。高拱和扁平足不允许参与招聘过程。所有受试者并签署书面同意之前的机构审查委员会颁发的实验(RAGH20210922205.6)。

表1
人口统计数据。
2.2。实验程序

图1描述了实验过程。所有的参与者都是fatigue-inducing跑步锻炼。15点Borg规模和心率监测器(极地从而极电Oy,伍德伯里,纽约,美国)被用来记录感知运动,每分钟心率变化在疲劳的干预。个人开始实验通过运行1.67 m / s的速度在跑步机上(h / p /宇宙对位图形R,德国)。在实验期间,斜率是维持在1%41- - - - - -43]。之后的速度增加了0.28 m / s每2分钟,直到受试者Borg强度达到13。受试者仍继续以这个速度,直到他们达到Borg 17或规模最大心率的90% (HRmax计算在220 -年龄),此时他们慢慢的减少速度的速度选择(44,45]。空间限制、可重复性和更好的气候控制,速度和坡度在跑步机上跑步的原因是由我们的研究团队(46]。


图1
实验过程。

在这个实验中,footscan压盘(footscan®软件7.0步态第二代,RsScan国际)是用于监控动态足底压力。footscan压力板的长度是2米,采集频率126赫兹。他们被要求进行footscan压盘上的压力测量之前和之后的疲劳。为了避免损伤在测试期间,受试者自己熟悉footscan压盘在审判之前。熟悉后,受试者被要求在footscan压盘上运行的速度3.3米/秒±5% (44]。管理运行速度,布劳尔定时灯(美国布劳尔计时系统,德雷伯,UT)。的受试者完成一个完整的步态周期footscan压盘在指定的速度被认为是成功的。5组有效数据收集从每个主题之前和之后的疲劳干预。此外,在疲劳的干预,我们统一提供衣服和鞋子避免实验的学科差异并保持一致性。

2.3。数据分析

我们分析了足底力学参数的运行姿态阶段。为每个审判,十解剖区是由软件自动识别(Footscan®软件7.0步态第二代,RsScan国际),如果需要,手动更正通过调整每个区(图像素2):拇(T1),second-fifth脚趾(T2 - 5)、跖骨1 - 5 (米1,米2,米3,米4,米5),足(MF),鞋跟内侧(HM)和脚跟外侧(HL)。在调整期间,我们严格控制,以确保执行调整条件和调整水平是严谨和细致。页的平均值,PF,所有10个区域计算π。


图2
十解剖区域的位置峰机械足迹。
2.4。统计分析和支持向量机分类算法

计算数据导出到一个统计软件SPSS 26.0(美国SPSS,芝加哥,IL)和峰值压力峰值力,足底的冲动每个足底区之前和之后运行统计处理。正常使用的数据最初评估Kolmogorov-Smirnov测试。数据是正态分布。对疲劳的影响,性别、足底力学参数及其交互作用,双向协方差分析(ANCOVA)。显著性水平是设置为 。

当数据集是不容易分离,支持向量机分类器是一种监督机器学习技术,将输入数据空间到高维空间获得更准确的分类(35]。在我们的研究中,我们使用了LIBSVM基于MATLAB工具箱2016 b(美国马Mathworks)。线性内核用于支持向量机的研究。我们采用交叉验证技术合作的方法。66.7%的样本大小是随机选择作为训练集,和33.3%的样本作为测试集(41]。

支持向量机适用于中小型数据样本,和非线性、高维分类问题。它将实例的特征向量映射到一些点的空间。支持向量机的目的是找到一条线最能区分两种类型的点,当添加新分后,这条线也是很好的分类。SVM将找到分区分离超平面,区分两类和最大化。对于任何超平面,两边有一个数据点最小距离(垂直距离),和这两个的总和最小距离间隔。

对于这个分区的超平面,我们可以提供以下方程: 在哪里ω每个特性的重量和列向量。b位移值。

点的距离x我面如下: 然后, y我样本的预测价值吗我(−1或1,做信号转换)。d是支持向量的距离超平面。我们假设d是 。

让所有的点满足:

我们需要的超平面是需要最大化的最小时间间隔,即, 然后,我们需要计算

等效计算 和

使用拉格朗日乘子方法:

最初的问题是极小极大问题。

最初的问题的对偶问题是一个极大极小问题:

其偏导数ω和b并让它等于0, 然后,

结合上述条件: 然后,我们找到的最大价值α。

我们继续使用拉格朗日乘数法:

我们发现最终的超平面。

3所示。结果

3.1。峰值压力

根据图3和表2、疲劳主要影响PPT1,T2 - 5、嗯、HL和性别因素主要是反映T1,T2 - 5,米3 - 5。具体来说,PP显著下降T1,T2 - 5区域疲劳后( )和显著增加在HM和霍奇金淋巴瘤( )。页,T1,T2 - 5女性明显高于男性( ),和页米3 - 5个男性显著高于女性( )。


图3
页的描述、PF和π性别之前和之后运行的疲劳。
表2
改变PP、PF和π之前和之后的疲劳。
3.2。峰力

根据图3和表2,主要是反映在疲劳的影响T1,T2 - 5,米1、HM和霍奇金淋巴瘤,主要是反映在性别的影响T1,T2 - 5,米3 - 5。PF显著下降T1,T2 - 5由于疲劳和显著增加在M1,嗯,霍奇金淋巴瘤( )。PF女性明显更大T1,T2 - 5比男性,小得多的米比男性(3 - 5 )。

3.3。的冲动

根据图3和表2,疲劳效应主要是反映在脚趾,米1,鞋跟,而主要是体现在性别的影响T1,T2 - 5,米3 - 5。π显著降低在T1,T2 - 5疲劳后( ),在M1和显著增加,嗯,霍奇金淋巴瘤( )。此外,πT1,T2 - 5表明,女性明显高于男性,而在米3 - 5,女性比男性明显较小的( )。

3.4。支持向量机分类算法

我们选择的组合足底区参数显著差异( 。图4显示了最适合分离超平面线不同足底疲劳或不疲劳的区域参数组合。不同的足底区参数组合的准确性预测疲劳提出了表3。结果表明,平均精度为中度(训练精度:62.5%;测试精度:62.5%)。组合后的精度高于平均水平,显示出高水平:T1页/ HL PF(训练精度:65%;测试精度:75%),T1 PF / HL PF(训练精度:67.5%;测试精度:65%)和HL PF /T1π(训练精度:67.5%;测试精度:70%)。


图4
支持向量机分类算法的结果。
表3
支持向量机分类算法结果的准确性。

4所示。讨论

本研究旨在分析PP、PF、π改变在新手跑步者跑前和跑后疲劳,以及性别差异。基于之前的研究,我们认为,足底力学参数的变化主要发生在之前和之后的疲劳T1,T2 - 5。也认为性别差异主要集中在足底参数T1,T2 - 5,米1 - 5。此外,假设SVM预测疲劳在一个较高的水平。我们的研究结果基本上是符合我们之前的假设。

足底力学参数的变化引起的疲劳主要是下T1,T2 - 5,米1,嗯,霍奇金淋巴瘤。脚趾区域的足底力学参数研究的也减少了Bisiaux和Moretto13),卡拉古尼斯et al。47],Willems et al。48]。这可能是由于增加的背屈的跖趾关节后疲劳,导致更少的脚趾造成运行,从而减少负载下脚趾(49]。在研究PP和压力中心(COP),发现脚趾下的PP下降,收缩的警察。根据Stolwijk et al。50),以避免过度使用前脚和引起脚疼的风险,受试者调整他们的步态模式。这可以解释为什么足底力学参数下脚趾被降低了。内格尔et al。49还指出脚趾负荷下降。然而,在研究Bisiaux和Moretto [13)和怀斯特et al。51),脚趾下的负载下降的现象并没有观察到。此外,在斯等人的研究和吴et al。48,52),这也是发现PF和π米1疲劳后显著增加,这与我们的研究结果是相一致的。也许是因为脚趾下的力学参数降低,负载被转移到跖骨。然而,增加submetatarsal负载可能导致跖骨应力性骨折的发生(49]。跑后的调查也显示,疲劳,HM增长而霍奇金淋巴瘤的接触面积减少。然后在rearfoot导致更大的内翻(53]。如果疲劳,股四头肌需要发挥更大的作用,避免膝关节不稳定,导致更少的膝盖弯曲,导致脚跟压力增加。这个解释也被证实了Stolwijk et al。50]。

有几个gender-induced足底力学参数的差异被发现。页、PF和π女性明显高于男性T1,T2 - 5,在男性比女性更高米3 - 5。这也反映在法拉利的研究等。54)和Demirbuken et al。27]。雌性的大足底力学参数T1,T2 - 5可能与这一事实有关女性穿高跟鞋,也提高了风险慢性paraspinal肌肉疲劳、疼痛与体位变化,(55]。尽管这项研究并未包括拇指外翻的情况下(高压),女性比男性有更高的负载的拇。研究报告分析,估计女高压患病率(30%)比男性多出2.3倍(13%)21]。尽管许多研究无法达到一个统一的结论,没有否认性别差异在足底力学参数可能的原因之一在女性拇指外翻的增加。男性在前脚面积比女性更多的负载,这可能是由于男性的更高的体重,身体结构上的差异,女性更好的灵活性(56,57]。进一步,男性倾向于有更高的垂直行走时重心位移比女性。这也可能导致更高的负载米3 - 5 (56]。压力等于力除以面积。在所有区域的脚,男性比女性有相当高的接触面积,统计学和临床[25]。与此同时,由于女性荷尔蒙分泌,脚韧带松弛刚度和扩散的程度降低了部队在更大程度上(58,59]。这可能是原因,PP、PF,π米3 - 5是不同程度的男性比女性高。在这项研究中,性别差异在PP、PF,π主要发现T1,T2 - 5,米3 - 5。虽然文献的发现并不总是一致的,解剖学因素包括性别和脚被认为是与跖骨应力性骨折和下肢损伤(50]。

在运行期间,脚是唯一的身体的一部分,使直接与地面接触,他们进步的关键。运行操作可能会受到肌肉疲劳和身体不适。因此,理论上是可以通过足底力学参数预测疲劳。先前的研究已经表明,疲劳会影响足底机械参数分布和疲劳与足底力学参数(48]。间隔最大化支持向量机分类算法,这可能是解决凸二次规划问题的特点,相当于正规化铰链工作损失最小化的问题。支持向量机分类算法是一种优化算法求解凸二次规划,根据我们的支持向量机分类算法的结果。支持向量机分类算法的结果显示,平均精度是一个above-moderate水平。一个高于平均水平的准确性是通过使用T1 PP /氢氧化钙PF, T1 PF / HL PF, HL PF / T1π。这些表明,可以在一定程度上预测疲劳监测足底力学参数之前和之后运行的疲劳。运行可用来预测疲劳学习支持向量机分类算法,也可以用作疲劳监督一个有用的工具。学会了SVM分类算法可以帮助教练员更好地识别的物理状态,运动员从开始到完成的由监控足底力学参数。分类也可能是有用的在运行季节识别损伤。

有一些本研究的局限性。在实验中,跑步机是用于疲劳干预。我们只研究了足底单调条件下的力学参数,但没有研究在地面上运行的条件。未来的研究应该包括主题表现在不同运动水平,如职业运动员。此外,应扩大样本量来提高支持向量机分类算法的准确性。

5。结论

我们发现,足底力学参数的变化引起的疲劳主要是集中在T1,T2 - 5,M1,嗯,霍奇金淋巴瘤。而性别的影响主要是发现的T1,T2 - 5,米3 - 5。这可能表明损伤与疲劳和性别因素,如跖骨应力性骨折和高压。足底力学参数可以长跑前后监控预测疲劳在某种程度上。足底区组合的学习算法准确率高于平均水平(T1 PP /氢氧化钙PF, T1 PF /氢氧化钙PF,和HL PF / T1π)可以预测长跑疲劳和提供监督培训策略。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

问:l·h·c·构想提出的想法,开发框架,写的手稿。a . T。,J. S. B., M. Y., and Y. G. provided critical feedback and contributed to the final version. All authors were involved in the final direction of the paper and contributed to the final version of the manuscript. All authors have read and agreed to the published version of the manuscript.

确认

这项研究是由中国的浙江省自然科学基金杰出青年学者(批准号LR22A020002);中国浙江省重点研究和发展计划(批准号2021 c03130);浙江省哲学社会科学项目,中国(批准号。22 qnyc10zd ndqn223yb 22日);宁波的公益性科技项目,中国(批准号2021 s134);黄和k·c·麦格纳基金在宁波大学。