基于CenterNet的跑步姿态鉴别系统的设计

为了改善目前大众跑步姿势普遍不规范的现状,提出了一种基于CenterNet的跑步姿态鉴别系统。首先,通过截图、拍照的方式自制数据集,并对数据集进行清洗、标注和分析,消除数据无关信息与简化数据。其次,引入多尺度通道注意力机制与添加十字星变形卷积2种方式改进CenterNet算法模型,将动作图像转化为数字信息和特征向量,并以此为基础,利用KNN(K-nearest neighbors)算法对跑步姿态类型进行分类。最后,与经典模型方案进行对比,验证改进CenterNet算法鉴别系统的有效性。结果表明:改进的CenterNet模型的精确率与召回率都有所提升,其参数量与计算量降低。所提算法模型能够对大多数不良姿势作出及时、准确反馈,有效帮助跑步爱好者发现问题,从而改善跑步姿态、提高运动效率、预防伤病。

跑姿再训练对冲击力、下肢生物力学及刚度的影响

目的通过建立12周跑姿再训练(gait retraining,GR)的干预模式(即通过一定的姿态目标改变跑者原有跑姿),确定GR前后跑步时垂直地面反作用力(vertical ground reaction force,v GRF)以及髋、膝、踝三关节运动学、动力学和下肢刚度特征的变化,探究跑姿转换对冲击力和下肢生物力学的影响。方法采用Vicon运动捕捉系统和Kistler三维测力台同步采集30名跑步爱好者(GR组15人,对照组15人)GR前后穿着极简鞋以12 km/h±5%速度通过测力台的GRF以及标记点轨迹。结果共17名受试者(GR组9人,对照组8人)完成训练。训练后两组最大负载率都显著下降,GR组相比对照组最大负载率更低;GR组足部触地角度显著减小,两组跖屈角度和髋关节蹬伸角速度都显著增加;GR组踝关节力矩增加;两组下肢刚度均显著增加。结论成功建立12周GR运动干预模型(前掌着地转化率为78%)。GR能有效避免冲击力峰值、降低最大负载率、提高下肢刚度,进而在减小甚至避免由冲击力引起的跑步损伤风险的同时,为提高跑步经济性提供可能。