基于低成本二维视频与机器学习的动态力量指数预测研究：一种可扩展的神经肌肉性能评估新方法

《Scientific Reports》：Prediction of dynamic strength index (DSI) using one low-cost 2D video camera: a machine learning approach

本研究针对传统力量评估设备（如测力台）成本高、难以普及的问题，开发了一种结合低成本二维视频摄像头与监督式机器学习模型的新方法，用于预测动态力量指数（DSI）。研究人员通过提取反向纵跳（CMJ）中的六个时空特征，结合身高体重数据，训练了包括高斯过程回归（GPR）和神经网络在内的多种回归模型。结果显示，该方法预测精度高（R2>0.92，RMSE<0.06），与实验室测量值高度一致。该研究为青少年体育、社区运动及现场环境中的神经肌肉诊断和性能监测提供了可扩展、非侵入性的替代方案，显著降低了专业评估的门槛。

　　

在运动科学与生物力学领域，准确评估运动员的神经肌肉性能对于提升运动表现和预防损伤至关重要。动态力量指数（Dynamic Strength Index， DSI）作为一个关键指标，能够综合反映运动员在动态运动（如跳跃）中产生的爆发力与最大等长力量之间的平衡，从而为制定个性化的力量训练方案提供科学依据。然而，传统的DSI测量依赖于测力台（force plate）等昂贵、笨重的实验室设备，这严重限制了其在基层运动队、社区体育和康复机构中的广泛应用。面对高昂的成本和复杂的操作流程，教练员和体育科研人员一直在寻找一种既准确又便捷的替代方案。

正是在这样的背景下，来自亚兹德大学和设拉子大学的研究人员Mostafa Haj Lotfalian和Ali Abbasi开展了一项创新性研究，旨在探索能否利用普及率极高的低成本二维（2D）视频摄像头，结合先进的机器学习算法，实现对DSI的准确预测。这项研究发表于《Scientific Reports》，其核心目标是开发一种可扩展、非侵入性的评估工具，让高水平的生物力学分析走出实验室，惠及更广泛的运动人群。

为了达成研究目标，研究人员设计了一套严谨的技术路线。他们招募了263名健康参与者（163名男性，100名女性），平均年龄16.1±5.6岁。首先，使用背腿胸测力计（Yagami， Japan）进行等长大腿中部拉（Isometric Mid-Thigh Pull， IMTP）测试，以获取峰值等长力。随后，参与者进行反向纵跳（Countermovement Jump， CMJ），同时使用测力台（Bertec Corp）采集地面反作用力（Ground Reaction Force， GRF）作为真值，并使用一台帧率为60Hz的高清2D摄像机（Nikon D7100）录制视频。为了验证2D视频测量的准确性，还同步使用了运动捕捉系统（OptiTrack）作为参考。

从视频数据中，研究人员利用开源软件Kinovea半自动化地提取了六个与CMJ相关的关键时空特征：下降阶段时长、上升阶段时长、飞行阶段时长、起跳总时长、跳跃深度（骨盆标记点的最低点垂直位移）以及重心（Center of Mass， COM）的垂直位移。这六个特征与参与者的身高、体重共同构成了机器学习的输入特征集（共8个特征）。为了降低特征间的共线性和噪声，研究采用了主成分分析（Principal Component Analysis， PCA）进行特征降维，保留了前三个主成分（解释方差超过85%）。随后，使用MATLAB的回归学习器工具箱训练了多种监督回归模型，包括线性回归、回归树、支持向量机（Support Vector Machine， SVM）、高斯过程回归（Gaussian Process Regression， GPR）和神经网络回归。模型采用5折交叉验证进行训练和评估，并预留15%的数据作为独立的测试集。

结果

时空特征的有效性

研究人员首先将2D视频分析提取的时空特征与作为金标准的3D运动捕捉系统数据进行了比较。如表1所示，所有六个变量都表现出良好至极好的一致性，组内相关系数（Intraclass Correlation Coefficient， ICC）在0.89至0.98之间，变异系数（Coefficient of Variation， CV）均低于5%，均方根误差（Root Mean Square Error， RMSE）也处于较低水平。这证实了2D视频分析方法用于评估CMJ性能的有效性和可靠性。

回归模型的预测性能

不同输入特征集下各回归模型的预测性能总结在表2中。所有模型都表现出中等至高的预测精度，多个模型的确定系数（R²）超过了0.80。其中，高斯过程回归（GPR）模型表现最佳，在所有特征组合下均获得R²>0.90且CV<10%的结果。神经网络回归和支持向量机（SVM）模型也表现良好。值得注意的是，线性回归模型在某些条件下（如使用全部8个特征时）也达到了0.92的R²，表明预测变量与DSI之间的关系并非强非线性。归一化均方根误差（nRMSE）值在0.82至1.18之间，这在应用生物力学研究中被认为是可接受的误差水平。

Bland-Altman一致性分析

通过Bland-Altman图进一步检验预测DSI值与实验室测量值之间的一致性。结果显示，所有模型的95%一致性界限都相对较窄，残差随机分布且围绕零值中心，未观察到明显的系统偏差，表明预测值与测量值之间具有良好的一致性。

DSI分类结果

除了连续值预测，研究还根据常见的训练建议将DSI划分为三个类别（DSI<0.6：力量主导，推荐爆发力训练；0.6≤DSI≤0.8：力量与爆发力平衡，推荐同步训练；DSI>0.8：爆发力主导，推荐最大力量训练）进行了分类性能评估。如表3所示，高斯过程回归（GPR）和神经网络模型在Class 1（DSI<0.6）和Class 3（DSI>0.8）上表现最佳，F1分数普遍高于95%。而在中间类别Class 2（0.6≤DSI≤0.8）上，所有模型的准确率都有所下降（F1分数59%-91%），这可能是由于相邻类别边界存在重叠所致。总体而言，GPR模型在使用全部特征时，在所有类别上都取得了最稳定和优异的性能。

讨论与结论

本研究成功证明，利用从单个低成本2D视频摄像头提取的时空特征，可以较高精度地预测动态力量指数（DSI）。视频衍生的测量指标显示出极高的可靠性（ICC>0.98），适合作为预测模型的输入变量。在测试的多种机器学习模型中，高斯过程回归（GPR）和神经网络回归凭借其捕捉数据中非线性关系的卓越能力，达到了最高的预测精度。

该研究的创新之处在于，它是最早将机器学习直接应用于从2D视频数据预测DSI的研究之一，扩展了此前关于2D视频在运动学分析中有效性的工作。与依赖昂贵测力台和3D运动捕捉系统的传统方法相比，本研究提出的方案具有成本低、便携性好、易于推广的显著优势，符合运动技术领域向低成本、现场化发展的趋势。

此外，研究发现结合所有八项输入特征（人体测量学+时空特征）能带来最高的预测精度，这强调了多模态数据整合在提升模型鲁棒性方面的重要性。而通过主成分分析（PCA）进行特征降维后仍能保持有竞争力的性能，则表明在数据采集受限的环境中进一步优化输入参数是可行的。

从实践角度看，成功使用60Hz消费级摄像头也印证了运动科学工具日益普及化的趋势。这使得高水平生物力学评估能够广泛应用于青少年体育、社区运动俱乐部、健身中心和康复机构等场景，有助于制定更具个性化的训练方案和康复计划。

当然，本研究也存在一些局限性。样本主要为青少年和年轻人，限制了结果向精英运动员、老年人或临床人群的立即推广；测试在受控实验室环境下进行，生态效度有待提高；特征提取依赖于半自动化软件Kinovea，其精度可能低于多摄像头无标记系统。未来的研究应扩大验证范围至更多样化的群体和真实环境，探索基于姿态估计框架（如OpenPose， MediaPipe）的自动化流程，并开发用户友好的移动应用或平台以促进技术转化。

综上所述，这项研究提供了一个概念验证，即利用简单的视频衍生特征和机器学习模型可以准确预测DSI。优异的输入特征可靠性、非线性回归模型的卓越性能以及将运动员分类到有意义的DSI类别中的能力，都凸显了该方法的应用潜力。这些发现支持了基于计算机视觉的成本效益方法在个性化训练设计和康复规划中的更广泛应用前景。