AI 辅助诊断肩袖损伤、单传感器监测跑姿 | 体育科技周报 05.23-05.29
1. AI 充当肩关节 MRI 复核员——运动医学领域更具落地价值的一项研究
论文：AI-Assisted MRI Interpretation in Diagnosing Bankart and Reverse Bankart Lesions.
期刊：The American Journal of Sports Medicine · 2026-05-27 AJSM 作为美国骨科运动医学学会的旗舰刊物，是运动医学与骨科损伤领域的顶级期刊，影响因子 4.5，五年影响因子 5.5。
核心议题：AI 辅助阅片能否协助临床医师更精准地识别肩关节 Bankart 及反向 Bankart 盂唇损伤？
此类损伤直接关联肩关节稳定性、手术方案制定及康复回归路径，特别是对于投掷、对抗、格斗、橄榄球及篮球等高肩部负荷项目，漏诊后果严重。数据方面，研究基于 ScopeMRI 数据集，涵盖 586 次肩部扫描、546 名患者，包含 335 例 MRI 和 251 例 MRA，并以关节镜结果为金标准。实际用于读者研究的测试集为 117 例，由 4 位骨科医生分别在无 AI 介入和 AI 辅助两种模式下进行判读。
结论：引入 AI 后，Bankart 损伤的敏感度从 38.0% 跃升至 78.3%，整体准确率由 77.1% 提升至 84.0%；反向 Bankart 损伤敏感度则从 31.2% 增至 50.0%。在所有初始漏诊的撕裂案例中，AI 成功纠正了 51.1%。对于队医及运动医学团队而言，此类工具的现实定位并非“取代医生”，而是作为二次复核、风险预警及降低漏诊率的辅助手段。
局限：测试样本仅 117 例，参与医生 4 人，其在不同外部医院、扫描协议、设备品牌及各类运动人群中的泛化能力尚未在本摘要中得到证实。
NPC
单枚腰部 IMU 能否评估跑步稳定性——将步态实验室浓缩于腰带之中
论文：Predicting stride time variability from waist-mounted IMU data using machine learning: toward non-invasive gait stability monitoring in endurance running.
期刊：BMC Sports Science, Medicine & Rehabilitation · 2026-05-25
核心议题：仅凭腰部单一 IMU，能否预测跑步过程中的步时变异性，进而监测耐力跑的步态稳定性？
步时变异性可通俗理解为“每一步节奏的稳固程度”，即步幅间的微小波动。对于耐力跑、疲劳监控及伤后复跑而言，该指标更贴近“控制力”与“稳定性”的本质。
研究者安排 18 名健康青年完成 30 分钟自选速度跑台测试，同步佩戴右足背 IMU 及腰部/下背部 IMU。足部 IMU 用于生成步时参考基准，步时变异性通过连续 50 步的变异系数测算；腰部 IMU 的三轴加速度与角速度数据则作为模型输入。
方法论上，研究者从腰部 IMU 信号中提取时域与频域特征，对比了 ANN、随机森林、决策树及 XGBoost 算法，并采用留一法交叉验证（LOSO）。LOSO 意指每次完全剔除一名受试者数据进行测试，相比普通随机窗口分割难度更高，能有效避免同一受试者数据同时混入训练集与测试集。
结果方面，XGBoost 表现最优，R²=0.942、MAE=0.005、RMSE=0.009。这一数据在受控跑台环境下表现强劲，证实腰部信号确实蕴含丰富的步态稳定性信息。然而，由于缺乏统一的公开基准，尚不能断言其已达到“临床级”或“战队级”的部署标准。
边界：样本仅 18 人，场景局限于跑台；标签源自足部 IMU，而非动作捕捉或测力台等金标准。
青少年足球 RPE 不应仅看单一分值——利用小模型拆解训练负荷
论文：Predicting differential ratings of perceived exertion (dRPE) in youth soccer using decision tree models.
期刊：Scientific Reports · 2026-05-26 Scientific Reports 隶属 Nature Portfolio，是综合类开放获取大刊，影响因子约 3.9；虽可见度高，但体育垂直领域论文仍需细究其方法学。
核心议题：外部训练负荷能否预测青少年足球运动员在不同维度上的主观用力感？
研究纳入 15 名精英青少年球员，历时 17 周，累计 537 次训练观测。外部负荷数据源自 GPS 指标，涵盖总距离、中/高速跑、加减速、冲击等，并按训练时长标准化。内部负荷采用 Borg CR-10 量表，分别记录整体用力、下肢负荷、呼吸难度及技术 - 认知需求。
模型：决策树。树模型能直观揭示哪个外部负荷变量最可能解释特定的 dRPE 维度。结果显示，模型 RMSE 介于 0.96 至 1.19 之间。置于 0–10 的 CR-10 量表中，约 1 分的误差意味着可用于探讨训练趋势，但尚不足以支持精细化的个体诊断。
变量映射：总距离是整体 RPE、肌肉性 RPE 及技术 - 认知 RPE 的最强预测因子；呼吸难度维度则主要由 14.4–19.8 km/h 的中速跑段解释。
风险：15 名球员同属一队且处于同一训练周期，537 条观测并非 537 个独立个体。模型可能习得的是该队特定的训练组织模式，而非青少年足球的普遍规律。此外，决策树在小样本、多变量情境下易出现不稳定性。
sEMG 疲劳监测——将“局部肌肉疲劳”从经验判断转化为信号建模
论文：The robust frequency domain feature and hybrid CNN model for fatigue detection based on sEMG signal.
期刊：Computer Methods in Biomechanics and Biomedical Engineering · 2026-05-25
sEMG 监测的是肌肉电活动，理论上较心率、速度、加速度更贴近局部肌肉疲劳状态。对于力量训练、跑步、骑行及康复训练，“哪块肌肉率先力竭”比“整体负荷大小”更能反映动作质量与受伤风险。
技术路线是利用自回归模型构建新型频域特征，融合 Inception 风格混合 CNN、特征重构模块及手工特征。输入为表面肌电信号，输出为疲劳状态识别。数据显示，两个数据集的准确率分别达到 93.26% 和 94.45%，新特征使传统机器学习平均准确率分别提升了 7.4% 和 2.6%。
sEMG 极易受电极位置、皮肤状况、汗液、动作速率及肌肉协同变化干扰。在缺乏样本规模、动作类型及跨受试者验证细节的情况下，仅能将其视为局部肌肉疲劳建模的技术参考线索。