原型网络与孪生网络在基于热成像数据判定职业足球运动员下肢损伤中的应用

职业足球运动员下肢损伤的早期诊断对于保持竞技状态和最大程度降低长期风险至关重要。尽管热成像作为一种用于检测肌肉骨骼疾病的无创工具应用日益广泛，但其在自动化损伤检测系统中的整合仍然有限，尤其是在数据稀缺的情况下。鉴于对有效早期检测方法的需求以及热成像在运动医学中的潜力，本研究探讨了深度学习模型在下肢损伤分类中的适用性。具体而言，本研究使用从职业运动员收集的热成像数据评估了 Prototypical Network 和 Siamese Network 模型的性能。原始数据集包含来自 16 名健康个体和 9 名受伤个体的图像，通过数据增强扩充至 360 个健康样本和 180 个受伤样本。Prototypical Network 达到了 97.78% 的准确率，而 Siamese Network 达到了 94% 的准确率。这些结果表明，尽管面临类别不平衡和数据可用性有限带来的挑战，两种模型均能够实现准确的损伤检测。总之，该研究强调了热成像结合深度度量学习在识别职业足球运动员损伤方面的有效性，并表明即使在数据受限的环境中也能取得可靠的结果。