Interpretable prediction of knee joint loading during tennis serves based on GNN-GRU model and layer-wise relevance propagation
Notice bibliographique
Résumé
The knee resultant joint moment is a critical indicator for assessing risk during the tennis serve. Traditional methods for obtaining this metric rely on laboratory-based equipment, limiting practical application. To address this limitation, this study proposes and validates a novel method for predicting the knee resultant joint moment method using a Graph Neural Network and Gated Recurrent Unit (GNN-GRU) model. An independent GRU model was used as a baseline for comparison. Biomechanical data were collected from 30 male tennis players (age: 20.30 ± 1.66 years, height: 176.60 ± 2.74 cm, weight: 70.80 ± 3.89 kg, BMI: 22.71 ± 1.38 kg/m 2 , training experience: 9.20 ± 2.81 years) during the performance of the tennis serve. Sagittal plane joint angles of both lower limbs were used as model inputs to predict the resultant joint moment of the supporting leg. A paired-sample t-test compared predicted and actual values. Layer-wise Relevance Propagation (LRP) was applied to quantify the contribution of individual joint angles. The GNN-GRU model demonstrated significantly better prediction performance than the standalone GRU model ( p < 0.05). No significant differences were observed between predicted and actual values ( p > 0.05). LRP results showed knee contribution close to 1 during the Preparation Phase (PP). In the Flight Phase (FP), ankle and hip contributions increased significantly, both approaching 1. During the Landing Phase (LP), the knee joint maintained a contribution above 0.4. This study supports the identification of potentially high-risk movements in real-world tennis training and competition and provides a reference for the early detection of knee joint injuries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».