サポートベクターマシンを用いた経験レベルの異なる長距離ランナーの足首運動パターンの認識

Recognition of Foot-Ankle Movement Patterns in Long-Distance Runners With Different Experience Levels Using Support Vector Machines.

• Eneida Yuri Suda
• Ricky Watari
• Alessandra Bento Matias
• Isabel C N Sacco

抄録

ランニングの練習により、筋骨格系の適応が生じ、それにより身体力学が変化し、経験レベルの異なる個人では異なるバイオメカニクスパターンが発生する可能性がある。そこで、本研究の目的は、機械学習アプローチを用いて、レクリエーションランナーのランニング練習の経験レベルの違いを識別するために、フット・アンクル運動学的および運動学的パターンを使用できるかどうかを調査することであった。長距離ランナー78名(40.7±7.0年)をファジィ分類システムを用いて、トレーニング頻度、運動量、競技、練習時間をもとに、経験の少ないランナー(24名)、中程度のランナー(23名)、経験のあるランナー(31名)に分類し、その結果、足首の運動パターンを機械学習によって識別できるかどうかを調べた。被験者が自分で選択した速度（9.5～10.5km/h）でトレッドミル上を走っている間に、足・足・足首の三次元運動学と地面反力（GRF）を取得した。フット・アンクルの運動学的および運動学的時系列は、データ削減のために主成分分析を行い、離散的なGRF変数と組み合わせてサポート・ベクトル・マシン（SVM）の入力として使用し、グループを1対すべてのアプローチで区別できるかどうかを判断しました。SVMモデルは、入力データの特徴に基づいて、有意な交差検証済みの精度率と強い～非常に強いMatthewの相関係数で、すべての経験グループを分類することに成功しました。全体的に、フットメカニクスはランニング経験レベルに応じて異なっていた。経験の浅いグループでは、第一中足趾節関節の背屈が大きく、踵骨と中足骨の間のプランタルフレクション角が大きいことが主な運動学的要因となっていましたが、経験のあるグループでは同じ関節でも逆のパターンを示していました。中程度の経験者については、分類には成功したものの、視覚的に識別可能なランニングパターンを示しておらず、経験者と中程度の経験者の中間的なグループであると考えられました。本研究の結果は、パフォーマンス向上を目的としたトレーニングプログラムの開発や、怪我の予防のためのリハビリテーションプロトコルの開発に役立つ可能性を秘めています。

Running practice could generate musculoskeletal adaptations that modify the body mechanics and generate different biomechanical patterns for individuals with distinct levels of experience. Therefore, the aim of this study was to investigate whether foot-ankle kinetic and kinematic patterns can be used to discriminate different levels of experience in running practice of recreational runners using a machine learning approach. Seventy-eight long-distance runners (40.7 ± 7.0 years) were classified into less experienced ( = 24), moderately experienced ( = 23), or experienced ( = 31) runners using a fuzzy classification system, based on training frequency, volume, competitions and practice time. Three-dimensional kinematics of the foot-ankle and ground reaction forces (GRF) were acquired while the subjects ran on an instrumented treadmill at a self-selected speed (9.5-10.5 km/h). The foot-ankle kinematic and kinetic time series underwent a principal component analysis for data reduction, and combined with the discrete GRF variables to serve as inputs in a support vector machine (SVM), to determine if the groups could be distinguished between them in a one-vs.-all approach. The SVM models successfully classified all experience groups with significant crossvalidated accuracy rates and strong to very strong Matthew's correlation coefficients, based on features from the input data. Overall, foot mechanics was different according to running experience level. The main distinguishing kinematic factors for the less experienced group were a greater dorsiflexion of the first metatarsophalangeal joint and a larger plantarflexion angles between the calcaneus and metatarsals, whereas the experienced runners displayed the opposite pattern for the same joints. As for the moderately experienced runners, although they were successfully classified, they did not present a visually identifiable running pattern, and seem to be an intermediate group between the less and more experienced runners. The results of this study have the potential to assist the development of training programs targeting improvement in performance and rehabilitation protocols for preventing injuries.

Copyright © 2020 Suda, Watari, Matias and Sacco.