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

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。