論文の概要: Explainable Machine-Learning based Detection of Knee Injuries in Runners

• arxiv url: http://arxiv.org/abs/2602.11668v1
• Date: Thu, 12 Feb 2026 07:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.699103
• Title: Explainable Machine-Learning based Detection of Knee Injuries in Runners
• Title（参考訳）: 説明可能な機械学習によるランナー膝損傷の検出
• Authors: David Fuentes-Jiménez, Sara García-de-Villa, David Casillas-Pérez, Pablo Floría, Francisco-Manuel Melgarejo-Meseguer,
• Abstract要約: ランニングでは膝、特に膝蓋大腿痛症候群(PFPS)とイリオチビア・バンド症候群(ITBS)の頻度が高い。 本研究は、光学式モーションキャプチャーシステムを用いて、外傷関連ランニングパターンの検出を強化する。
• 参考スコア（独自算出の注目度）: 4.777769037844278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Running is a widely practiced activity but shows a high incidence of knee injuries, especially Patellofemoral Pain Syndrome (PFPS) and Iliotibial Band Syndrome (ITBS). Identifying gait patterns linked to these injuries can improve clinical decision-making, which requires precise systems capable of capturing and analyzing temporal kinematic data. This study uses optical motion capture systems to enhance detection of injury-related running patterns. We analyze a public dataset of 839 treadmill recordings from healthy and injured runners to evaluate how effectively these systems capture dynamic parameters relevant to injury classification. The focus is on the stance phase, using joint and segment angle time series and discrete point values. Three classification tasks are addressed: healthy vs. injured, healthy vs. PFPS, and healthy vs. ITBS. We examine different feature spaces, from traditional point-based metrics to full stance-phase time series and hybrid representations. Multiple models are tested, including classical algorithms (K-Nearest Neighbors, Gaussian Processes, Decision Trees) and deep learning architectures (CNNs, LSTMs). Performance is evaluated with accuracy, precision, recall, and F1-score. Explainability tools such as Shapley values, saliency maps, and Grad-CAM are used to interpret model behavior. Results show that combining time series with point values substantially improves detection. Deep learning models outperform classical ones, with CNNs achieving the highest accuracy: 77.9% for PFPS, 73.8% for ITBS, and 71.43% for the combined injury class. These findings highlight the potential of motion capture systems coupled with advanced machine learning to identify knee injury-related running patterns.
• Abstract（参考訳）: ランニングは広く行われている活動であるが、膝、特にパテロ大腿痛症候群(PFPS)とイリオチビア・バンド症候群(ITBS)の頻度が高い。 これらの損傷に関連する歩行パターンの同定は、時間的運動データをキャプチャし分析できる正確なシステムを必要とする臨床上の意思決定を改善することができる。 本研究は、光学式モーションキャプチャーシステムを用いて、外傷関連ランニングパターンの検出を強化する。 健常者や負傷者からのトレッドミル記録839件の公開データセットを分析し,これらのシステムが傷害分類に関連する動的パラメータを効果的に捉えているかを評価する。 焦点は、ジョイントおよびセグメント角時系列と離散点値を用いて、スタンスフェーズに向けられる。 3つの分類課題は、健康対ケガ、健康対PFPS、健康対ITBSである。 従来のポイントベースのメトリクスから、フルスタンスフェーズの時系列やハイブリッド表現に至るまで、さまざまな特徴空間について検討する。 古典的アルゴリズム(K-Nearest Neighbors、Gaussian Processes、Decision Trees)やディープラーニングアーキテクチャ(CNN、LSTMs)など、複数のモデルがテストされている。 性能は精度、精度、リコール、F1スコアで評価される。 モデルの振る舞いを解釈するために、Shapley値やSaliency Map、Grad-CAMなどの説明可能性ツールが使用される。 その結果,点値と時系列の組み合わせは検出を大幅に改善することがわかった。 CNNはPFPSが77.9%、ITBSが73.8%、複合障害クラスが71.43%である。 これらの知見は、高度な機械学習と組み合わせて膝関節損傷に関連するランニングパターンを同定するモーションキャプチャシステムの可能性を強調した。

関連論文リスト

• Graph Convolutional Long Short-Term Memory Attention Network for Post-Stroke Compensatory Movement Detection Based on Skeleton Data [8.902942168934741]
  脳卒中後の補償運動を検出するために骨格データに基づくグラフ畳み込み長短期記憶注意ネットワーク(GCN-LSTM-ATT)を提案する。 その結果,GCN-LSTM-ATTモデルの検出精度は0.8580に達した。
  論文  参考訳（メタデータ） (2025-12-07T09:00:45Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Pediatric Wrist Fracture Detection in X-rays via YOLOv10 Algorithm and Dual Label Assignment System [2.4554686192257424]
  本研究は, 小児手首骨折の診断成績を評価するために, 様々なYOLOv10変異体を初めて評価したものである。 モデル複雑性の変化、アーキテクチャのスケーリング、デュアルラベル割り当て戦略の実装によって検出性能が向上する方法について検討する。
  論文  参考訳（メタデータ） (2024-07-22T14:54:51Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。 提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• A Spatio-temporal Attention-based Model for Infant Movement Assessment from Videos [44.71923220732036]
  本研究では,短いクリップから抽出した人間のポーズを用いた新たなフィジット動作評価法を開発した。 人間のポーズは関節と手足の運動プロファイルのみをキャプチャし、無関係な外観の人工物は含まない。 実験の結果,提案手法はROC-AUCスコア81.87%を達成し,既存の競合手法よりも高い性能を示し,高い解釈性を示した。
  論文  参考訳（メタデータ） (2021-05-20T14:31:54Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects Assessment with Dual-Consistency [40.67137486295487]
  本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。 自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。 実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-05-19T04:47:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。