運動傷害怎麼解 用人工智能看跑姿

2
1137

運動生理學家及跑步教練的Jack Daniels(傑克·丹尼爾)曾經拍錄了許多跑者,而後展現給諸多教練與生理學家觀看,試圖用眼球確認跑者的效率。

照片來源:dnaindia
照片來源:dnaindia

「他們無法分辨,」丹尼爾後來回憶道:「一點也沒辦法。」

以姿勢奇特聞名的Paula Radcliffe與Alberto Salazar表現出色,而跑起來十分流暢美觀的選手反而落在後端。從這個事實證明,跑步動作異常複雜。無論是頭部的擺動、髖部旋轉或是腳的角度,這些因素與其他因素都可以無窮地變化。因此,僅透過跑步動作與步幅,從而窺其效率高低、是否容易受傷害都非常困難。在無窮盡的變數中,我們不可能即時掌握其關鍵。

解決此問題最好的方法是放慢速度,拍攝後透過慢速度播放,而後在關鍵的關節處附加標記,將數據輸入電腦建議三維模型以便於分析。這就是生物力學研究人員一直在幹的事,試圖解析一些步態特徵,例如膝蓋比往常更向內轉會造成股骨疼痛或ITBS等特殊傷害。這些要素潛藏著跑出佳績的要素,但整體而言,混亂而難以解釋。

然而,更為徹底的做法是,使用AI機器人,讓他們針對大量數據進行排序,看看會有甚麼改變。芬蘭韋斯屈萊大學與加拿大卡爾加里大學對此進行了研究方法,通過人工智能對跑者的3D步態進行數據分析,以查看是否可以根據步幅將跑者做鑑別、以及透過鑑別可以反應出跑者可能遭受的運動傷害──第一個問題答案是可以,第二個問題答案是不行。

這項研究發表在《Scandinavian醫學與運動科學雜誌》上,共有291位跑者參噢,平均年齡為39.5歲,男女比例大概相同,並且從休閒運動員與競技運動員都有。在這群受試者中,有266人受過不同的傷害譬如髕股關節疼痛症候群、髂脛束摩擦症候群、跟腱問題及足底筋膜炎,脛骨應力問題等,分析方法是在下肢的七個部位貼上標記,而後由八台攝影機拍攝紀錄。

照片來源:aiage.ca
照片來源:aiage.ca

總之,步態分析會產生62個變量,包含膝蓋、腳踝的角度,垂直振幅與步幅等等。進一步處理之後,這些數據透過階層式集群分析(將共有特徵分組的方法)。最後科學分析將跑者分為五個組,有些組別跑者膝蓋屈曲最大,有一組四肢僵硬、彎曲較少…等。三分之一的跑者是明顯的腳跟落地,細分後的每個人步幅各有不同。使用肉眼去分析,甚至是透過畫線去分析這些更深層次的數據幾乎是不可能的。

研究人員對此提出假設,這些分組將會反應出跑者的受傷部位,譬如膝蓋彎曲較多的群組最容易導致膝蓋受傷。但事實上,各種傷害類型與跑者群組的比例幾乎是隨機分布,透過機械分析生物力學原理,解構跑步姿勢無法確定你受傷的部分、如何受傷以及受甚麼傷。

透過進一步的試驗分析,研究人員表示:「沒有單一性的『保護性姿勢』可以降低跑步傷害的可能性。」著名的物理治療師Rod Whiteley提出說法,每個人都有能適應自己跑步風格的特質。以此為據,受傷的風險來自於訓練負荷的變化,而不是膝關節角度的變化。這與已經退休的生物力學Benno Nigg的看法相呼應,他表示80%的運動傷害是由訓練錯誤造成的,譬如太快增加里程或者是沒有足夠的恢復。

因為跑者的多樣化是如此難解,即使是人工智能也無法保證能得到正確的結論。縱然如此,事實證明即使是人工智能也無法解構運動傷害的全貌,那麼與其爭論跑步的膝蓋角度或者是步頻等等,反而不如接受訓練後休息一天的作法。

內容來源:

outsideonline

A hierarchical cluster analysis to determine whether injured runners exhibit similar kinematic gait patterns.

2 COMMENTS