动态AI肢体功能评估在高校学员体能训练中的应用

王基野,夏 波,巩 博,汪 阳,张 伟

0 引 言

运动功能评估被认为是系统性训练前的首要步骤[1]。以功能性运动筛查(functional movement screening,FMS)为代表的体态及肢体功能评估能够纠正不良体态、预防训练伤病和提高训练效果[2-3]。但目前的运动功能评估技术对肢体关节灵活与稳定性的评估相对不足;且习惯性的不良姿态规避或动作代偿将影响评估结果[4]。既往研究发现FMS筛查正常者在某些抗阻运动过程中仍出现明显的动作变形或肌力失衡,提示现有评估模式在对由多关节肌肉支配的以“动力链”运动模式为特点的肢体运动功能评估中具有局限性。本研究通过设计以动态发力或对抗弹力带阻力条件下的一系列多关节“动力链”式评估动作,利用计算机视觉技术进行动作实时捕捉分析,以关节角度、力量代偿、核心稳定和肢体对称性等作为评价要素,实现对运动协调、力量平衡和关节灵活性等方面的评价。

1 资料与方法

1.1 研究对象纳入某高校2020-2022级本科临床医学专业学员进行抽样评估。其中,2020级男学员50名,女学员30名;2021、2022级男学员各60名,女学员各40名。纳入条件:①17～20岁健康青年;②全程参加体育课程学习;③志愿参加研究并接受个人影像数据采集与分析。排除条件:①BMI>26;②患有慢性心肺功能疾病、运动系统疾病、运动系统外伤未痊愈或肢体运动功能受限等影响深蹲、跳跃等身体机能评估测试者;③在测试前发生外伤或临时出现不宜参加评估测试者;④不接受个人影像数据采集或分析。

1.2研究方法

1.2.1 下肢功能测试基于FMS中的过头深蹲测试进行改良。①受试者双臂上举,以正面、右侧面和左侧面三个方向各做2次无负重深蹲;②连续完成单脚起跳,左右侧各4次。全程通过摄像机进行录像,通过影像回放完成踝关节灵活性、膝关节稳定性、膝关节屈曲和下肢力量平衡等方面的评价。

1.2.2计算机视觉AI评价技术基于北京闪思科技有限公司提供的HMCE智能化(AI)动作捕捉引擎进行针对性参数调整,实现对肢体动态运动各关节关键点位的识别与分析。

2 结 果

2.1 下肢功能测试筛查情况通过筛查发现,学员存在不同程度的踝关节灵活性、膝关节稳定性、膝关节屈曲和下肢力量平衡等方面的肢体功能异常,以踝关节灵活性异常的比例最高,约有50%的学员存在踝关节灵活性受限问题;膝关节屈曲异常问题的学员比例最低。此外,女学员踝关节灵活性和膝关节稳定性的异常比例高于男学员,肢体功能异常的比例整体高于男学员。见图1。

2.2学员下肢功能异常的左右侧分布情况对学员肢体功能异常的左右侧分布情况统计,发现左侧肢体异常的学员比例更高,其中双侧踝关节灵活性异常的学员比例最高。见图2。

a:各年度男女学员踝关节灵活性异常人数比例;b:学员膝关节稳定性异常人数比例;c:学员膝关节屈曲异常人数比例;d:学员下肢力量平衡异常人数所占比例;e:学员肢体运动功能异常人数的比例

a:近三年男女学员踝关节灵活性异常者左右侧分布情况;b:学员膝关节稳定性异常者左右侧分布情况;c:学员膝关节屈曲异常者左右侧分布情况;d:学员下肢力量平衡异常者左右侧分布情况

2.3静态评估对发力状态下运动功能异常的预测效果受检学员普遍存在以内侧踝关节支撑力量失衡为主的功能异常,部分学员还存在足底功能异常。男学员踝关节力线异常比例高于65%,女学员踝关节力线异常比例高于75%。左侧踝关节力线失衡的比例略高于右侧。此外,下肢功能测试正常的学员在连续单脚跳跃中出现异常的比例超过15%。见图3。

2.4计算机视觉技术对人体关键点的动态捕捉效果AI动作捕捉引擎可以实现运动影像的实时检测分析,对受试者肢体、躯干、手部细节和关节角度等信息进行机器学习,并计算得出25个核心关键点三维坐标数据。不仅能够对捕捉图像进行3D还原(图4a),还可有效识别和捕捉同时出现的多个对象(图4b)。

a:足踝关节力线异常比例情况;b-c:足踝关节功能异常者左右侧分布情况;d:下肢筛查正常者在连续单脚跳跃检测中表现异常的学员比例

a:实时影像3D模拟还原技术;b:多个对象的视频识别与动作捕捉

2.5计算机视觉技术对动态发力动作中肢体运动异常的识别效果动态影像分析可以发现在动态发力动作过程中的踝关节稳定性异常。在静态深蹲和立定跳远准备阶段,受试者双脚踝角度无明显异常;但在单脚连续跳跃和立定跳远发力蹬地过程中,踝关节位置发生明显变化并表现为踝关节稳定性异常(∠α<145°)。见图5。

2.6计算机视觉技术对动态抗阻动作中肢体运动异常的识别效果通过设计动态抗阻模式下的远端固定开链动作。通过AI动作捕捉引擎分析可以发现在双脚固定的情况下,单侧手臂的开链抗阻动作可以诱导躯干颈胸椎的力量失衡表现,受试者右侧手臂抗阻后伸时,颈胸椎出现力线异常。

a:静态深蹲测试;b:单脚连续跳跃;c:立定跳远准备阶段;d:立定跳远发力蹬地阶段①～④:冠状面踝关节角度分析;+y:垂直轴方向;+x:水平轴方向

3 讨 论

本研究应用并验证了计算机视觉技术对动态运动过程的识别与分析效果,发现某高校学员存在不同程度的肢体运动功能异常,为大规模肢体运动功能筛查与评价提供了方法和理论依据。

在对某高校2020-2022级学员肢体运动功能进行评估中,发现约半数以上的学员存在异常,并且女学员的比例高于男学员,这一现象可能由于疫情影响和高中阶段学习模式导致的身体运动不足所引起[5-6]。而女学员普遍存在的力量素质薄弱和身体活动不足问题导致了其肢体功能异常比例高于男学员[7]。在各项评估指标中,我们发现左侧肢体更易出现运动功能异常,并且双侧踝关节的运动功能异常比例最高,与以往报道类似[8]。踝关节活动性受限将显著影响下肢运动功能并可能导致膝、髋关节甚至脊柱损伤[9]。高校学员在上学期间要参加大量军事体育课目的训练与考核,不良的肢体运动功能很可能导致损伤。因此,要常规开展肢体运动功能筛查和相应的功能训练以避免训练伤病。

FMS是评估肢体运动功能的有效工具,能够预防军事体育训练伤病,提高训练效果[10]。随着移动智能设备的不断发展和技术进步,大众健身领域的科技含量越来越高[11]。目前已经实现脊柱侧弯、骨盆倾斜、肩部对称性等体态的智能化识别评估,而FMS的影像学评估系统也已具备技术可行性[12]。本团队在前期构建的高精度动作捕捉引擎基础上,优化并开发了AI动态肢体动作识别与分析系统,可以对运动过程中的肢体关节角度和躯干位置进行精准识别捕捉与3D还原,实现了AI动态肢体运动功能评估。通过对运动视频的分析,发现当机体存在抗阻模式的远端固定开链运动时,肢体的薄弱肌群会发生代偿,表现为脊柱或踝关节的角度异常。

近年来,评价完整动态发力过程的“动力链”理论又重新进入人们的视野,从解剖学的角度对机体运动的灵活性和稳定性进行整体评估[13]。我们在教学训练过程中发现下肢FMS评估正常的学员仍存在肢体运动功能异常,因此在后续评估中增加了连续单脚跳跃测试,将动态发力过程纳入运动功能评估[14]。通过对连续单脚跳跃影像的AI视觉捕捉分析发现,学员踝关节稳定性和灵活性受限的检出率高于深蹲测试,提示深蹲测试并未有效识别肢体运动功能异常的情况,尤其是动态发力过程中的肢体运动功能异常。动态发力或抗阻运动能够显著放大肢体“动力链”的薄弱环节,诱导足外翻角度增加、肢体平衡控制失调和核心稳定性变化等问题[15]。与阻力负荷诱导的“动力链”运动模式相比,静态的体态评估和功能性运动筛查对肢体运动功能的评价效果仍存在盲区,整体性的、动态的影像学评估可能成为更有效的肢体运动功能筛查方法。

综上,本研究通过肢体关键点捕捉的机器学习与判读实现了AI人体动作捕捉与评价,在提出基于动力链理论的抗阻运动模式基础上实现了对体态及肢体运动过程的实时监测与功能评价,发现动态或抗阻运动可以进一步诱导肢体运动功能异常。建议在对参加较高强度运动训练人群进行肢体功能评估时增加动态评估环节。同时为部队训练伤病的预防和训练效能提升提供了新方法。