DOI: https://doi.org/10.1038/s41598-025-34551-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513936
تاريخ النشر: 2026-01-10
المؤلف: Abdullah Alzahrani وآخرون
الموضوع الرئيسي: إصابات الركبة وتقنيات إعادة البناء
نظرة عامة
تقدم هذه الدراسة إطار عمل موثوق لتقييم المخاطر البيوميكانيكية في الوقت الحقيقي ومراقبة إعادة التأهيل باستخدام مزيج من وحدات القياس بالقصور الذاتي القابلة للارتداء (IMUs) والتخطيط الكهربائي للعضلات السطحية (sEMG). تسلط الدراسة الضوء على أهمية الكشف الاستباقي عن إصابات الجهاز العضلي الهيكلي، التي تنتشر في الرياضات ويمكن أن تؤدي إلى إعاقات طويلة الأمد. من خلال دمج الاستشعار المستند إلى الفيزياء مع التعلم الآلي، يحدد الإطار بشكل فعال الانحرافات البيوميكانيكية، مثل انحراف الركبة إلى الخارج الذي يتجاوز 10° وعدم التماثل العضلي الذي يتجاوز 15%، وهي مؤشرات حاسمة لإصابات الرباط الصليبي الأمامي (ACL) وإصابات الشد العضلي. حقق النموذج دقة بنسبة 92.3% ومنطقة تحت المنحنى (AUC) تبلغ 0.93، مع زمن استجابة أقل من 200 مللي ثانية، مما يثبت موثوقيته في التطبيقات الواقعية.
أكدت التجارب الميدانية التي شملت 50 رياضيًا على قوة الإطار، حيث أنتجت قياسات متسقة لحركيات المفاصل وقوى العضلات. تسهم هذه الدراسة بشكل كبير في المجال من خلال توفير نموذج تقييم مخاطر الإصابات الكمي، والتحقق من صحة طريقة المعايرة المعتمدة على التحسين لتعزيز أداء المستشعرات، وتأسيس نظام تغذية راجعة ذو صلة سريرية لإعادة التأهيل. يدعم هذا الإطار الأطباء والمحترفين الرياضيين في مراقبة صحة الجهاز العضلي الهيكلي وتحسين بروتوكولات التعافي بناءً على بيانات الوقت الحقيقي. ستسعى الأبحاث المستقبلية إلى تحقيق تحقق أوسع ودمجها مع أنظمة إعادة التأهيل عن بُعد، مع التأكيد على الحاجة إلى تحسينات في تكنولوجيا المستشعرات للاستخدام طويل الأمد. بشكل عام، يتماشى هذا العمل مع الهدف الثالث من أهداف التنمية المستدامة للأمم المتحدة، مما يعزز الصحة من خلال حلول مراقبة مبتكرة مع الاعتراف بضرورة الدراسات الطولية لتقييم التأثيرات السريرية طويلة الأمد.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتقييم المخاطر البيوميكانيكية في حماية صحة العمال الصناعيين وتعزيز الأداء الرياضي. غالبًا ما لا تلتقط طرق التقييم التقليدية، التي تعتمد على التحليلات الاستعادية والإرشادات الهندسية، الضغط البيوميكانيكي في الوقت الحقيقي بشكل كافٍ أثناء الأنشطة الديناميكية، مثل تلك التي يتم مواجهتها في المهام الصناعية والرياضات. تؤكد هذه القصور على ضرورة تحسين تقنيات التقييم التي تتماشى مع المتطلبات المتطورة لمواقع العمل الحديثة والرياضات التنافسية.
على الرغم من التقدم في البيوميكانيكا القابلة للارتداء، لا يزال هناك فجوة ملحوظة في دمج الاستشعار في الوقت الحقيقي مع النمذجة التنبؤية التي تهدف إلى الوقاية من الإصابات في كل من البيئات المهنية والرياضية. تميل الأنظمة الحالية إلى أن تكون محصورة في ظروف مختبرية محكومة أو تفتقر إلى القدرات التنبؤية التكيفية اللازمة للتدخل الاستباقي. يتم التأكيد على الدافع وراء هذه الدراسة من خلال الحدوث العالمي المقلق لإصابات الجهاز العضلي الهيكلي، الذي يتجاوز 3.5 مليون سنويًا، مما يبرز الحاجة الملحة إلى حلول مبتكرة في هذا المجال.
الطرق
توضح قسم المنهجية تصميم البحث وعملية جمع البيانات لتقييم صلاحية الأجهزة القابلة للارتداء في مراقبة الاستجابات الفسيولوجية أثناء الأنشطة البدنية. تم إجراء تجارب أولية باستخدام أجهزة متنوعة، بما في ذلك ساعة سامسونج جالكسي وساعة بولار فانتاج V2، مع التركيز الرئيسي على تكوينات IMU من Xsens وEMG من Delsys. تم تجنيد أربعة رياضيين بناءً على معايير شمولية واستبعادية محددة، مما يضمن تنوع مجموعة المشاركين. شارك كل موضوع في أنشطة موحدة مثل الجري والقفز لمدة 30 إلى 60 دقيقة، مع جمع البيانات في بيئة مختبرية محكومة لتقليل التأثيرات الخارجية.
شملت معالجة البيانات تقليل الضوضاء، وتصفية الإشارات، ومزامنة تدفقات بيانات المستشعرات المتعددة، تلاها استخراج الميزات لاستنتاج مقاييس مثل معدل ضربات القلب ومستويات تنشيط العضلات. تم إجراء التحليلات الإحصائية باستخدام برنامج SPSS، مع استخدام الإحصاءات الوصفية واختبارات t المزدوجة لتقييم الفروق في المعلمات الفسيولوجية تحت ظروف متغيرة. تم تحديد عتبة دلالة قدرها $p < 0.05$ لجميع الاختبارات. بالإضافة إلى ذلك، تم إجراء تحليل العوامل التأكيدية (CFA) باستخدام AMOS 24.0 لتقييم نموذج القياس، مع حساب مؤشرات الملاءمة لتقييم كفاية النموذج.
النتائج
تشير نتائج الدراسة إلى ملاءمة نموذج عامل واحد قوي، كما يتضح من نسبة مربع كاي إلى درجات الحرية 1.92، وCFI 0.94، وTLI 0.92، وRMSEA 0.052 (90% CI: 0.044-0.060)، وSRMR 0.047. كانت جميع تحميلات العوامل الموحدة ذات دلالة إحصائية (p < 0.001)، تتراوح من 0.63 إلى 0.81، مما يؤكد صحة التقارب القوي. استخدمت الدراسة اختبارات t المزدوجة لتحليل مقاييس الأداء، كاشفة عن تحسينات كبيرة في انحرافات زوايا المفاصل (متوسط الفرق = 4.3°، p = 0.003) وعدم التماثل العضلي (متوسط الفرق = 6.1%، p = 0.001) عند استخدام التقنيات القابلة للارتداء. تؤكد النتائج على فعالية أجهزة الاستشعار القابلة للارتداء في تقييم المخاطر البيوميكانيكية، مما يظهر قدرتها على تحديد أنماط الحركة عالية المخاطر التي تتوافق مع آليات الإصابات. بشكل ملحوظ، توقعت الأجهزة القابلة للارتداء 75% من الإصابات المؤكدة وأظهرت ارتباطًا قويًا (R² = 0.82) مع درجات فحص الحركة الوظيفية السريرية (FMS). سهل دمج التغذية الراجعة في الوقت الحقيقي التدخلات المبكرة، مما يعزز نتائج إعادة التأهيل من خلال تقليل عدم التماثل في تعب العضلات وأوقات التعافي العصبي العضلي. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك عدم وجود مجموعة تحكم مستقلة، مما يحد من الاستنتاجات السببية بشأن فعالية التدخل. يُوصى بإجراء أبحاث مستقبلية للتحقق من هذه النتائج من خلال دراسات طولية وتجارب تحكم عشوائية.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الحاجة الملحة إلى إطار موحد قائم على البيانات للكشف عن مخاطر الإصابات وإعادة التأهيل الشخصية، لا سيما في الرياضات والبيئات المهنية. لقد سهلت التطورات الأخيرة في تقنيات القابلية للارتداء والبيوميكانيكا تتبع الحركة المستمر وتحسين الأداء، حيث أظهرت نماذج مثل LSTM والهياكل المعززة بالاهتمام دقة عالية في التنبؤ بالبيوميكانيكا للمفاصل. تقترح هذه الدراسة إطارًا متكاملًا يجمع بين وحدات القياس بالقصور الذاتي (IMUs) وأجهزة التخطيط الكهربائي للعضلات السطحية (sEMG) مع التعلم الآلي لتحديد الضغط البيوميكانيكي وتوقع مخاطر الإصابات عبر السياقات الرياضية والمهنية. يهدف الإطار إلى توفير تغذية راجعة قابلة للتفسير لتقليل الأحمال البيوميكانيكية وعدم التماثلات.
على الرغم من التطورات الواعدة، تعترف الدراسة بالتحديات مثل ضمان الدقة، واستقرار الخوارزميات، وموثوقية البيانات في الوقت الحقيقي بسبب القيود التقنية مثل انحراف الإشارة ومعدلات أخذ العينات المتغيرة. تهدف الأبحاث إلى معالجة هذه القضايا من خلال طرق اكتساب بيانات موثوقة وتقنيات استخراج ميزات قوية. الهدف الرئيسي هو تطوير نظام لتقييم المخاطر البيوميكانيكية في الوقت الحقيقي يدمج بيانات IMU وsEMG لمراقبة زوايا المفاصل وتنشيط العضلات، مما يعزز في النهاية سلامة مكان العمل والأداء الرياضي. تسهم نتائج الدراسة في تحول نموذجي من علاج الإصابات التفاعلي إلى الإدارة الاستباقية، مع توقع تطبيقات مستقبلية في كل من الرياضات والبيئات الصناعية.
القيود
تُقيد الدراسة الحالية بسبب عدم وجود تتبع طولي حقيقي لنتائج الإصابات، مما يحد من قوة نتائجها. على الرغم من أنه تم مراقبة علامات المخاطر البيوميكانيكية، مثل مؤشرات عدم التماثل وانحرافات زوايا المفاصل، فإن غياب تأكيدات شاملة للإصابات على مدار الموسم يعني أن النتائج تعكس في المقام الأول مؤشرات المخاطر التنبؤية بدلاً من حالات موثقة للوقاية من الإصابات. تؤكد هذه القيود على الحاجة إلى أبحاث مستقبلية لتضمين بيانات طولية لتعزيز صلاحية النتائج المتعلقة بمخاطر الإصابات واستراتيجيات الوقاية.
DOI: https://doi.org/10.1038/s41598-025-34551-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513936
Publication Date: 2026-01-10
Author(s): Abdullah Alzahrani et al.
Primary Topic: Knee injuries and reconstruction techniques
Overview
This research presents a validated framework for real-time biomechanical risk assessment and rehabilitation monitoring using a combination of wearable inertial measurement units (IMUs) and surface electromyography (sEMG). The study highlights the importance of proactive detection of musculoskeletal injuries, which are prevalent in sports and can lead to long-term disability. By integrating physics-informed sensing with machine learning, the framework effectively identifies biomechanical deviations, such as knee valgus exceeding 10° and muscle asymmetry above 15%, which are critical indicators of anterior cruciate ligament (ACL) and muscular strain injuries. The model achieved an accuracy of 92.3% and an area under the curve (AUC) of 0.93, with a feedback latency of less than 200 ms, demonstrating its reliability in real-world applications.
Field experiments involving 50 athletes confirmed the framework’s robustness, producing consistent measurements of joint kinematics and muscle forces. The research contributes significantly to the field by providing a quantitative injury risk assessment model, validating an optimization-based calibration method to enhance sensor performance, and establishing a clinically relevant feedback system for rehabilitation. This framework supports clinicians and sports professionals in monitoring musculoskeletal health and optimizing recovery protocols based on real-time data. Future research will aim for broader validation and integration with tele-rehabilitation systems, emphasizing the need for improvements in sensor technology for long-term use. Overall, this work aligns with UN Sustainable Development Goal 3, promoting health through innovative monitoring solutions while acknowledging the necessity for longitudinal studies to assess long-term clinical impacts.
Introduction
The introduction highlights the critical role of biomechanical risk assessment in safeguarding industrial workers’ health and enhancing athletic performance. Traditional evaluation methods, which rely on retrospective analyses and ergonomic guidelines, often do not adequately capture real-time biomechanical stress during dynamic activities, such as those encountered in industrial tasks and sports. This inadequacy underscores the necessity for improved assessment techniques that align with the evolving demands of modern workplaces and competitive sports.
Despite advancements in wearable biomechanics, a notable gap remains in the integration of real-time sensing with predictive modeling aimed at injury prevention in both occupational and athletic settings. Existing systems tend to be confined to controlled laboratory conditions or lack the adaptive predictive capabilities necessary for proactive intervention. The impetus for this research is underscored by the alarming global incidence of musculoskeletal injuries, which exceeds 3.5 million annually, highlighting the urgent need for innovative solutions in this field.
Methods
The methodology section outlines the research design and data collection process for assessing the validity of wearable devices in monitoring physiological responses during physical activities. Preliminary trials were conducted using various devices, including the Samsung Galaxy Watch and Polar Vantage V2, with the main focus on the Xsens IMU and Delsys EMG configurations. Four athletes were recruited based on specific inclusion and exclusion criteria, ensuring a diverse participant pool. Each subject engaged in standardized activities such as running and jumping for 30 to 60 minutes, with data collected in a controlled laboratory environment to minimize external influences.
Data processing involved noise reduction, signal filtering, and synchronization of multiple sensor data streams, followed by feature extraction to derive metrics like heart rate and muscle activation levels. Statistical analyses were performed using SPSS software, employing descriptive statistics and paired t-tests to evaluate differences in physiological parameters under varying conditions. A significance threshold of $p < 0.05$ was established for all tests. Additionally, confirmatory factor analysis (CFA) was conducted using AMOS 24.0 to assess the measurement model, with fit indices computed to evaluate model adequacy.
Results
The results of the study indicate a robust single-factor model fit, as evidenced by a chi-squared to degrees of freedom ratio of 1.92, CFI of 0.94, TLI of 0.92, RMSEA of 0.052 (90% CI: 0.044-0.060), and SRMR of 0.047. All standardized factor loadings were statistically significant (p < 0.001), ranging from 0.63 to 0.81, thereby confirming strong convergent validity. The study employed paired t-tests to analyze performance metrics, revealing significant improvements in joint angle deviations (mean difference = 4.3°, p = 0.003) and muscle asymmetry (mean difference = 6.1%, p = 0.001) when utilizing wearable technologies. The findings underscore the effectiveness of wearable sensors in biomechanical risk assessment, demonstrating their ability to identify high-risk movement patterns that correlate with injury mechanisms. Notably, wearables predicted 75% of confirmed injuries and showed a strong correlation (R² = 0.82) with clinical Functional Movement Screen (FMS) scores. The integration of real-time feedback facilitated early interventions, enhancing rehabilitation outcomes by reducing muscle fatigue asymmetry and neuromuscular recovery times. However, the study acknowledges limitations, including the lack of an independent control group, which restricts causal inferences regarding the intervention's efficacy. Future research is recommended to validate these findings through longitudinal studies and randomized control trials.
Discussion
The discussion section of the research paper emphasizes the urgent need for a unified, data-driven framework for injury risk detection and personalized rehabilitation, particularly in sports and workplace settings. Recent advancements in wearable technologies and biomechanics have facilitated continuous motion tracking and performance optimization, with models like LSTM and attention-enhanced architectures demonstrating high accuracy in predicting joint biomechanics. This study proposes an integrated framework that combines inertial measurement units (IMUs) and surface electromyography (sEMG) sensors with machine learning to quantify biomechanical stress and predict injury risks across both athletic and occupational contexts. The framework aims to provide interpretable feedback to reduce biomechanical overloads and asymmetries.
Despite the promising developments, the study acknowledges challenges such as ensuring accuracy, algorithmic stability, and real-time data reliability due to technical constraints like signal drift and variable sampling rates. The research aims to address these issues through validated data acquisition methods and robust feature extraction techniques. The primary objective is to develop a real-time biomechanical risk assessment system that integrates IMU and sEMG data for monitoring joint angles and muscle activation, ultimately enhancing workplace safety and athletic performance. The study’s findings contribute to a paradigm shift from reactive injury treatment to proactive management, with future applications anticipated in both sports and industrial settings.
Limitations
The present study is constrained by the lack of true longitudinal tracking of injury outcomes, which limits the robustness of its findings. Although biomechanical risk markers, such as asymmetry indices and joint-angle deviations, were monitored, the absence of comprehensive season-long injury confirmations means that the results primarily reflect predictive risk indicators rather than verified instances of injury prevention. This limitation underscores the need for future research to incorporate longitudinal data to enhance the validity of the findings related to injury risk and prevention strategies.