机器学习在预测人体运动地面反作用力中的应用综述

冯 茹，杨 辰，李翰君，刘 卉

（1.北京体育大学运动人体科学学院，北京 100084；2.南京体育学院运动健康学院，南京 210014；3.北京体育大学中国运动与健康研究院，北京 100084）

引 言

三维地面反作用力（Ground reaction force，GRF）在人体运动分析中非常重要，用以分析人体与地面的相互作用，并通过逆动力学估计关节动力学［1］。跑步中的GRF 垂直分量过大可以用来预测跑者膝关节损伤的发生风险［2］，步行中的GRF 可以用于评估跌倒风险和异常步态［3‑4］。作为人体下肢最远端环节的外力，GRF 可用于计算连续的关节动力学，从而得到人体各环节的力、力矩等信息［5］。力在不同的动作任务中用来量化肌肉骨骼负荷，作为损伤风险的量化参数［6］。力矩也是反映动作中肌肉力大小的常用参数，为研究人体运动机制提供了重要的信息［7］。

三维测力台是测量GRF 的黄金标准，然而其成本较高，且具有一定的实践难度［8］。测力台应固定于地下并与地面水平，以准确测量GRF，这使得动作测试时的场地受到一定限制。为了测量使用测力台测量运动任务中的各个阶段，需采用多个测力台同时需调整被测者的动作，已有研究观察到实验室环境与户外环境的动力学差异［9‑10］。可穿戴的压力鞋垫被用来测量足底的动力学数据，其成本和应用场景都优于三维测力台。有研究表明，将4 到8 个压力传感器放置于足底特定解剖区域，可较为精确地预测跑步中的垂直GRF［11］。而压力鞋垫所测得的动力学数据只包括垂直分量，鞋垫的厚度和大小也受到一定限制，其结构和材料性能也会对不同结构的足部受力模式产生显著影响［12］。……