典型文献
基于深度神经网络和逐层相关性传播技术探究"高-低"里程跑者步态模式差异
文献摘要：
目的 通过深度神经网络(deep neural network,DNN)分类模型揭示高里程跑者(high-mileage runner,HMR)和低里程跑者(low-mileage runner,LMR)跑步步态模式差异,并探讨逐层相关性传播(layer-wise relevance propagation,LRP)技术解释DNN分类器模型的决策有效性.方法 通过DNN对HMR和LMR总计1 200组跑步步态特征数据进行训练分类识别,采用LRP计算相关变量在不同步态阶段的相关性得分(relevance score,RS),提取高相关变量对步态模式差异进行解释性分析.结果 DNN对HMR和LMR的跑步步态模式特征分类精度达到91.25％.LRP计算结果显示支撑前期(1％～47％)各变量的成功分类贡献率高于支撑后期(48％～100％).踝关节相关轨迹变量RS的贡献率总和达到43.10％,膝、髋关节贡献率分别为37.07％、19.83％.结论 膝、踝关节相关生物力学参数对识别HMR和LMR步态特征的贡献程度最高.跑步支撑早期可能包含更多步态模式信息,能够提升步态模式识别的有效性和敏感性.LRP实现了对模型预测结果的可行性解释,从而为分析步态模式提供了更有趣的见解和更有效的信息.
文献关键词：
跑步里程;步态模式识别;深度学习;运动生物力学
中图分类号：
作者姓名：
徐大涛;全文静;周辉宇;孙冬;Julien S.BAKER;顾耀东
作者机构：
宁波大学体育学院,浙江宁波315211;匈牙利潘诺尼亚大学工程学院,维斯普雷姆8200;匈牙利厄特沃什·罗兰大学萨瓦里亚工程学院,布达佩斯9700;英国西苏格兰大学健康与生命科学学院,苏格兰G720LH;香港浸会大学运动与体育教育系,香港999077
文献出处：
引用格式：
[1]徐大涛;全文静;周辉宇;孙冬;Julien S.BAKER;顾耀东-.基于深度神经网络和逐层相关性传播技术探究"高-低"里程跑者步态模式差异)[J].医用生物力学,2022(06):1151-1157,1164
A类：
步态模式识别
B类：
深度神经网络,逐层,性传播,传播技术,技术探究,跑者,模式差异,deep,neural,network,DNN,分类模型,高里程,high,mileage,runner,HMR,low,LMR,步步,layer,wise,relevance,propagation,LRP,分类器,总计,步态特征,特征数据,分类识别,不同步,score,RS,解释性,模式特征,特征分类,分类精度,功分,踝关节,总和,髋关节,贡献程度,多步,有趣,跑步里程,运动生物力学
AB值：
0.344484
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
