在R中绘制纵跳测试的平均力-位移曲线及95%置信带

我完全懂你的困扰——这种非线性的循环曲线，普通的多项式平滑根本抓不住它的趋势，核心问题在于每一次跳跃的位移采样点都不统一，没法直接做汇总。别担心，咱们可以通过位移对齐插值的方法解决这个问题，下面是完整的R实现方案：

首先，先把你的示例数据整理成可直接使用的格式：

library(tidyverse)
library(zoo) # 用于插值操作

# 你的示例数据
jump_data <- tibble(
  Athlete = c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2),
  Jump.Number = c(1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3,3),
  Displacement = c(0,-16.6667,-33.3334,-50.0001,-66.6668,-83.3335,-100,-50,62,0,-18.75,-37.5,-56.25,-75,-93.75,-40,60,0,-13.64,-27.28,-40.92,-54.56,-68.2,-81.84,-95.48,-100,-40,59,0,-16.6667,-33.3334,-50.0001,-66.6668,-83.3335,-100,-50,62,0,-18.75,-37.5,-56.25,-75,-93.75,-40,60,0,-13.64,-27.28,-40.92,-54.56,-68.2,-81.84,-95.48,-100,-40,59),
  Force = c(800,400,50,400,800,1000,1600,1400,0,802,479,49,514,900,1500,1200,0,806,379,46,367,700,1167,1400,1700,2000,1567,0,900,500,90,500,900,1100,1700,1500,0,902,579,139,514,1000,1600,1300,0,906,479,116,467,800,1267,1500,1800,2100,1667,0)
)

步骤1：统一位移网格，对齐所有跳跃数据 #

因为每一次跳跃的位移采样点不一致，我们先定义一个覆盖所有位移范围的统一网格，然后把每一次跳跃的力数据插值到这个网格上：

# 定义统一位移网格：从最小位移到最大位移，步长设为1（可根据需求调整精度）
common_displacement <- seq(min(jump_data$Displacement), max(jump_data$Displacement), by = 1)

# 对每个运动员的每一次跳跃进行插值对齐
aligned_data <- jump_data %>%
  group_by(Athlete, Jump.Number) %>%
  arrange(Displacement) %>% # 先按位移排序，保证插值顺序正确
  mutate(
    # 用线性插值将当前跳跃的Force映射到统一位移网格
    interpolated_force = approx(Displacement, Force, xout = common_displacement)$y
  ) %>%
  ungroup() %>%
  # 展开成每个位移点对应一条记录
  select(Athlete, Jump.Number, displacement = common_displacement, force = interpolated_force) %>%
  unnest(c(displacement, force)) %>%
  drop_na() # 移除插值失败的NA值

步骤2：计算均值和95%置信区间 #

现在所有跳跃数据都对齐到同一个位移网格了，我们可以轻松计算每个位移点的平均力和95%置信带：

summary_data <- aligned_data %>%
  group_by(Athlete, displacement) %>%
  summarise(
    mean_force = mean(force, na.rm = TRUE),
    # 计算标准误：标准差除以样本量的平方根
    se_force = sd(force, na.rm = TRUE)/sqrt(n()),
    # 95%置信区间：均值 ± 1.96*标准误
    lower_ci = mean_force - 1.96*se_force,
    upper_ci = mean_force + 1.96*se_force,
    .groups = "drop"
  )

步骤3：绘制力-位移曲线和置信带 #

最后用ggplot绘制曲线，置信带用半透明填充，曲线清晰区分不同运动员：

ggplot(summary_data, aes(x = displacement, y = mean_force, color = factor(Athlete))) +
  # 先画置信带，放在底层
  geom_ribbon(aes(ymin = lower_ci, ymax = upper_ci, fill = factor(Athlete)), 
              alpha = 0.2, color = NA) +
  # 再画平均曲线
  geom_line(linewidth = 1) +
  # 自定义标签和主题
  labs(
    x = "身体重心位移",
    y = "力",
    color = "运动员",
    fill = "运动员",
    title = "纵跳测试平均力-位移循环曲线",
    subtitle = "包含95%置信带"
  ) +
  theme_minimal() +
  # 确保x轴范围匹配统一网格
  coord_cartesian(xlim = range(common_displacement))

一些补充说明 #

• 这里用了线性插值，如果你觉得精度不够，可以换成样条插值（把approx换成spline），不过线性插值对于运动捕捉数据已经足够稳定
• 置信带的计算用了经典的均值±1.96*标准误，符合95%置信区间的统计要求
• 曲线会自然呈现顺时针循环的形状，因为我们保留了位移的正负方向（向下为负，向上为正）

内容的提问来源于stack exchange，提问作者Matt Jordan