Классификация профилей повреждений передней крестообразной связки по анализу бега: подход машинного обучения

Почему травмы колена важны для активных людей

Для многих спортсменов и активных людей разрыв связки колена может стать переломным моментом, меняющим их движения на всю жизнь. Передняя крестообразная связка (ПКС) — ключевой стабилизатор колена, и её разрывы часто встречаются в видах спорта с резкими сменами направления, прыжками и внезапными остановками. Даже после операции и нескольких месяцев реабилитации люди часто не возвращаются к прежнему уровню выступлений и могут столкнуться с повышенным риском раннего остеоартроза. В этом исследовании изучается, могут ли компьютеры обнаруживать крошечные изменения в механике бега после операции на ПКС — изменения, которые слишком тонки для невооружённого глаза или стандартных тестов.

Как исследование оценивает паттерны бега

Исследователи набрали 30 молодых спортсменов: 15 здоровых и 15 прошедших реконструкцию ПКС в течение последних 5–8 месяцев. Все участники не испытывали боли, были допущены своими терапевтами и выступали на сопоставимом уровне в видах спорта, таких как футбол, футзал, боевые искусства и волейбол. Каждый спортсмен бегал на специальной инструментированной беговой дорожке с постоянной скоростью, а датчики под лентой фиксировали контакт стопы с поверхностью. Из этой установки команда измеряла базовые характеристики бега, такие как длительность шага и длина шага, время опоры и маха, длина шага и круга, а также скорость изменения сил и перемещения центра давления под стопой.

Превращение сложного движения в пригодные данные

Бег — это сильно повторяющееся движение, поэтому даже небольшие изменения в тайминге или нагрузке суммируются за тысячи шагов. На дорожке было зафиксировано 2470 отдельных шагов по всем участникам, что дало богатый, но сложный набор данных. Чтобы упорядочить его, исследователи сначала стандартизировали показатели, чтобы ни одна мера не доминировала просто потому, что имела больший масштаб. Затем они применили математический метод сжатия данных, сохраняя при этом большую часть важной вариативности. Далее команда сосредоточилась на 11 ключевых характеристиках бега, среди которых время шага, время опоры, время маха, длина шага и шага-шага, пиковая вертикальная сила, скорость нарастания силы и скорость перемещения давления вперёд и в стороны под стопой.

Разрешая компьютерам разделять здоровых и травмированных бегунов

Имея эти измеренные признаки, команда обучила несколько типов компьютерных программ, известных как модели машинного обучения, разделять здоровых бегунов и тех, кто перенёс травму ПКС. Были опробованы распространённые алгоритмы, включая деревья решений, случайные леса, метод опорных векторов и нейронные сети. Чтобы избежать самообмана, использовали тщательный подход к тестированию, при котором шаги каждого участника целиком попадали либо в обучающую выборку, либо в тестовую. Так модели были вынуждены обобщать на новых людей, а не просто на новые шаги от того же человека. Лучшим оказался простой метод K ближайших соседей, который сравнивает каждый новый шаг с похожими ранее увиденными. Он правильно классифицировал шаги с очень высокой точностью и почти идеальной способностью разделять две группы.

Что наиболее важно в шаге бегуна

Помимо простой классификации бегунов как здоровых или оперированных по ПКС, авторы хотели понять, какие элементы паттерна бега несут наибольшую информативность. В разных моделях на первое место вышли временные характеристики. Особенно важными оказались время шага, время опоры и время маха, а также скорость продвижения центра давления вперёд под стопой. Эти результаты согласуются с предыдущими исследованиями, показывающими, что после реконструкции ПКС люди часто меняют продолжительность стояния на каждой ноге и распределение нагрузки на суставы, даже если их бег внешне выглядит нормально. Хотя более простая модель дерева решений была легче для интерпретации, она не справлялась с комплексностью данных так же хорошо, как модели, объединяющие множество деревьев или опирающиеся на множество соседей.

Что это может означать для реабилитации и возвращения в спорт

Исследование показывает, что тщательно собранные данные беговой дорожки в сочетании с современным компьютерным анализом могут выявлять остаточные изменения в механике бега после реконструкции ПКС. Для обычных спортсменов это однажды может вылиться в быстрые проверки на основе данных в процессе реабилитации, которые покажут, нормализовалась ли их походка или всё ещё содержит паттерны, связанные с дополнительной нагрузкой на колено. Клиники могут сфокусировать тренировки на улучшении тайминга и координации шага, а не только на силе или отсутствии боли. Если такие модели интегрировать в носимые устройства или системы обратной связи в реальном времени, они могут помочь раньше выявлять риски повторной травмы и направлять более персонализированные планы упражнений, с долгосрочной целью снижения вероятности хронических проблем колена, таких как ранний остеоартроз.

Цитирование: Tavakoli, H., Ataabadi, P.A., Khezri, D. et al. Classification of anterior cruciate ligament injury profiles through running analysis: a machine learning approach. Sci Rep 16, 15010 (2026). https://doi.org/10.1038/s41598-026-44264-3

Ключевые слова: повреждение ПКС, анализ походки, машинное обучение, биомеханика бега, спортивная реабилитация