Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities.
Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities.
复制标题
DOI：
10.1016/j.jbiomech.2018.09.009
复制
发表时间：
2018-11-16
影响因子：
2.4
通讯作者：
Delp SL
中科院分区：
文献类型：
--
作者：
Halilaj E;Rajagopal A;Fiterau M;Hicks JL;Hastie TJ;Delp SL
传统的实验室实验、康复诊所和可穿戴传感器为生物力学家提供了大量关于健康和病理运动的数据。为了利用这些数据的力量并提高研究效率，现代机器学习技术开始补充传统的统计工具。该调查总结了机器学习方法在人类运动生物力学中的当前使用情况，并强调了能够对文献进行批判性评估的最佳实践。我们在PubMed/Medline数据库中搜索了使用机器学习研究肌肉骨骼和神经肌肉疾病患者运动生物力学的原始研究文章。符合我们纳入标准的大多数研究都集中在对病理性运动进行分类、预测疾病发生的风险、估计干预的效果或自动识别活动以促进门诊患者监测。我们发现，研究建立和评估模型不一致，这激发了我们对最佳实践的讨论。我们提供了训练和评估机器学习模型的建议，并讨论了几种未充分利用的方法（如深度学习）的潜力，以生成有关人类运动的新知识。我们认为，在数据科学方面对生物力学家进行交叉培训，以及向数据和工具共享的文化转变，对于最大限度地发挥生物力学研究的影响至关重要。
Traditional laboratory experiments, rehabilitation clinics, and wearable sensors offer biomechanists a wealth of data on healthy and pathological movement. To harness the power of these data and make research more efficient, modern machine learning techniques are starting to complement traditional statistical tools. This survey summarizes the current usage of machine learning methods in human movement biomechanics and highlights best practices that will enable critical evaluation of the literature. We carried out a PubMed/Medline database search for original research articles that used machine learning to study movement biomechanics in patients with musculoskeletal and neuromuscular diseases. Most studies that met our inclusion criteria focused on classifying pathological movement, predicting risk of developing a disease, estimating the effect of an intervention, or automatically recognizing activities to facilitate out-of-clinic patient monitoring. We found that research studies build and evaluate models inconsistently, which motivated our discussion of best practices. We provide recommendations for training and evaluating machine learning models and discuss the potential of several underutilized approaches, such as deep learning, to generate new knowledge about human movement. We believe that cross-training biomechanists in data science and a cultural shift toward sharing of data and tools are essential to maximize the impact of biomechanics research.
登录
查看更多内容
影响因子：
2.4
作者：
Favre J;Hayoz M;Erhart-Hledik JC;Andriacchi TP
通讯作者：
Andriacchi TP
影响因子：
3.2
作者：
Ahlrichs, Claas;Sama, Albert;Rodriguez-Molinero, Alejandro
通讯作者：
Rodriguez-Molinero, Alejandro
影响因子：
2.4
作者：
Deluzio, K. J.;Astephen, J. L.
通讯作者：
Astephen, J. L.
影响因子：
2.2
作者：
Fulk GD;Sazonov E
通讯作者：
Sazonov E
影响因子：
6.8
作者：
AKAIKE, H
通讯作者：
AKAIKE, H