Umeå University's logo

Anterior cruciate ligament (ACL) tears are prevalent career-ending sports injuries. A barrier to successful return to activity is fear of re-injury. Evaluating psychological readiness is however limited to insufficient self-reported assessments. We developed machine learning models using biomechanical data from standardized rebound side hops (SRSH) to objectively classify fear levels post-ACL reconstruction (ACLR) and identify key biomechanical variables. Sixty individuals with ACLR and 47 controls performed up to 10 side hops per leg. Kinematic and kinetic data were collected using motion capture and force platforms. ACLR participants were classified (Tampa Scale for Kinesiophobia-17) as HIGH-FEAR (n = 32) or LOW-FEAR (n = 28). Analyses involved 1D convolutional neural networks (1D CNN) and logistic regression. Integrated gradients identified influential movement variables. The 1-D CNN distinguished HIGH-FEAR versus LOW-FEAR ACLR individuals in agreement with Tampa Scale scores, achieving a mean accuracy of 75.6% (F₁ Score = 0.76, Matthews Correlation Coefficient = 0.52), which was 8.6% better than logistic regression. Influential variables included trunk tilt, hip flexion/extension, and ankle supination/pronation. Machine learning from biomechanics can identify movement linked to fear of re-injury post-ACLR, potentially informing personalised rehabilitation to mitigate fear and enhance recovery.

Den här rapporten ger en kortfattad introduktion till metoder och några praktiska resultat från ett AI-texthanteringsprojekt i samarbete mellan Trafikverket, Umeå universitet och Sweco. Tester har gjorts för att extrahera information (geografiska orter, sammanfattningar, frågor och svar) från dokument. Även dokumentgenerering, projektets ursprungliga fokus, har adresserats. Där var målet att automatiskt skapa texter för utvalda syften, något som visade sig vara svårt i nuläget då de existerande metoderna är begränsade och samtidigt mycket krävande på datorkraft. Till rapporten hör några förenklade kodexempel där läsaren själv kan testköra och förhoppningsvis lära sig från lite olika fall.Rapporten är indelad i fyra delar: En icke teknisk översikt för allmänt intresserade, en mer detaljerad beskrivning av resultaten, en del om begrepp och metoder för speciellt intresserade samt en del om implementation för programmerare.

This paper presents a method for obstacle avoidance and path-finding amid circular objects. The input data are circles and the output is a sequence of circles. The output circles represent a possible path, to a target, for a holonomic mobile robot. The method uses a solution to the Apollonius Tangency problem to find the maximum spanning circles amid the input circles. The radii of the circles can be set by desired clearance to nearby obstacles, from sensor parameters, or model parameters from extracted features. The method is intuitive and rather easily implemented and suits well for mobile robots, especially mobile robots with circular shape. It can be implemented with a depth-first approach where the target bearing angle is used as criteria in a divide and conquer step. The method was tested on sensor data registered by a laser range finder.