通过跑步分析对前交叉韧带损伤谱的分类：一种机器学习方法

为什么膝盖损伤对活跃人群很重要

对许多运动员和活跃人群来说，膝关节韧带受伤可能成为改变终生运动方式的转折点。前交叉韧带（ACL）是膝关节的重要稳定结构，撕裂在涉及切入、跳跃和突然停下的运动中很常见。即便经过手术和数月康复，许多人也无法恢复到受伤前的竞技水平，而且可能面临更高的早期关节炎风险。本研究探索计算机是否能识别出ACL手术后跑步方式中的微小变化，这些变化对肉眼或常规检测来说太细微而难以发现。

研究如何观察跑步模式

研究人员招募了30名年轻运动员：15名健康者和15名在过去5到8个月内接受过ACL重建的运动员。所有受试者均无疼痛、已通过治疗师评估，并在足球、室内五人制足球、武术和排球等运动中处于相似的比赛水平。每位运动员在一个特殊的带有测力装置的跑步机上以恒定速度跑步，跑带下的传感器记录脚触地的方式。由此，团队测量了跑步的基本特征，如每步和每跨的持续时间、足部着地和离地的时间、步长和跨距、以及作用力和足下压力中心移动的速度等。

将复杂运动转化为可用数据

跑步是高度重复的动作，因此即使在时序或负载上的微小变化，经过数千步也会累积成明显差异。跑步机在所有参与者中总共捕捉了2470个独立跨步，生成了丰富但复杂的数据集。为便于解析，研究者先对数值进行了标准化，以免某一测量因量级较大而主导结果。随后他们使用数学方法压缩数据，同时保留大部分重要变异。从中聚焦出11个关键跑步特征，包括跨步时间、支撑相时间、摆动相时间、步长与跨距、峰值垂直力、该力的上升速率，以及足下压力向前与横向移动的速度。

让计算机区分健康与受伤跑者

利用这些测得的特征，团队训练了多种被称为机器学习模型的计算程序，以区分健康跑者与有ACL病史的跑者。他们测试了多种常见工具，包括决策树、随机森林、支持向量机和神经网络。为避免自我欺骗，研究采用了严格的测试方法，保证同一人的跨步数据要么全部用于训练集，要么全部用于测试集。这样模型必须对新个体进行泛化，而不是仅对同一人新的步态做出判断。表现最好的是一种名为K近邻的简单方法，它将每个新跨步与之前见过的相似跨步进行比较。这种方法对跨步的分类准确率很高，并且几乎可以完美区分两组。

跑者步态中最重要的要素

除了将跑者标注为健康或ACL修复外，作者还想知道跑步模式的哪些部分携带了最有用的信息。在多个模型中，时序特征脱颖而出。跨步时间、支撑相时间和摆动相时间尤其重要，此外足下压力向前移动的速度也很关键。这些结果与先前研究一致，表明ACL手术后，人们通常会改变各腿承重的时间和关节负载方式，即便外观上他们的跑步看起来正常。尽管更直观的决策树模型便于解释，但它在处理数据复杂性方面不如组合多棵树或依赖多个邻居的模型。

这对康复和重返运动的意义

该研究表明，经过精确采集的跑步机数据结合现代计算分析，可以揭示ACL重建后持续存在的跑步方式变化。对于普通运动员，这可能在未来转化为康复期间的快速数据检查，以判断其步态是否真正恢复正常，或仍存在与膝关节额外压力相关的模式。临床医生可将训练重点放在改善步态时序与协调性上，而不仅仅关注力量或疼痛指标。如果将类似模型集成到可穿戴设备或实时反馈系统中，或能更早识别再损伤风险并指导更个性化的训练方案，长期目标是降低诸如早期关节炎等慢性膝病的发生率。

引用: 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

关键词: ACL损伤, 步态分析, 机器学习, 跑步生物力学, 运动康复