大數據和人工智能背景下運動鞋生物力學研發思路及啟示

近年來，隨著大數據技術和人工智能的發展，運動鞋生物力學領域的研發創新逐漸由單一的實驗測試科學轉變為實驗科學與數據科學并重的模式。美國學者Booth等首次將機器學習算法應用在運動鞋楦的設計改良領域，采用主成分分析（PCA）、線性及非線性模擬等方法，將足形指標簡化降維為關鍵指標，研究結果顯示，大樣本量精準的足形數據采集有利于機器學習精度的提升，同時隨著機器學習算法的改良和大數據的積累，有望將運動鞋楦的設計誤差降低至亞毫米級。部分國際運動品牌研發團隊聚焦運動鞋舒適性的提升，基于4 199名運動員足形，構建大規模人群的足部統計形態模型（statistical shape modelling，SSM）。其采用PCA降維方法對足部三維解剖構形進行二維精細描述，基于迭代最接近點算法，實現了足部模型與模板網格的自動剛體對齊，將復雜的三維足部形態特征用傳統的二維足形測試指標進行描述。基于不同人種的大數據足形精細參數的獲取和建模，有助于進一步提升運動鞋舒適度。我國學者顧耀東等開展基于機器學習算法和大數據足形特征的生物力學指標預測工作，開發、訓練和測試了基于足形多變量的機器學習偏最小二乘回歸（partial least squares regression，PLSR）模型，現已收集近3 000人的精細化足形參數，預測普通人群在著鞋和裸足狀態下的足底壓力特征。隨著足形大數據的進一步積累和機器學習算法的優化，預計預測精度可達0.95以上。筆者認為：當前人工智能和大數據技術在運動鞋生物力學研發領域的應用已得到學界和業界的廣泛關注和共識；未來運動鞋生物力學研發應充分結合多學科前沿研究成果，尋找新的學科增長點，不斷融合生物力學、計算機科學及人工智能等領域的前沿技術，拓寬研究深度及廣度，提升運動鞋科技研發能力。