Estimación de la cinética 3D del pie a partir de vGRF distribuido de plantillas inteligentes a través de la...

Área de la Ciencia:

• Biomecánica
• Análisis de la locomoción humana
• Tecnología de sensores portátiles

Sus antecedentes:

• Comprender la cinética del pie es crucial para analizar la locomoción humana y las cargas mecánicas.
• Si bien la fuerza de reacción vertical al suelo (vGRF) es común, los datos cinéticos 3D integrales (3D-GRF&M, CoP) ofrecen información más profunda.
• Las plantillas inteligentes ofrecen medición portátil de vGRF, pero a menudo producen una calidad de datos inferior en comparación con los equipos de laboratorio.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo para generar 3D-GRF y M-CoP a nivel de cinta de correr instrumentada a partir de datos de vGRF de suela inteligente.
• Para mejorar la calidad de los datos vGRF capturados por plantillas inteligentes.
• Para identificar la ubicación óptima del sensor plantar para una estimación cinética 3D precisa.

Principales métodos:

• Aprovechando la transformación de dominio basada en el aprendizaje profundo utilizando modelos 1D de secuencia a secuencia (1D-s2s).
• Aplicación del análisis de múltiples segmentos para determinar las regiones plantares clave para la estimación de los parámetros cinéticos.
• Desarrollo y evaluación de Ke2KeNet, una nueva arquitectura de aprendizaje profundo.

Principales resultados:

• Transformó con éxito las señales distribuidas de vGRF en datos completos de 3D-GRF y M-CoP.
• Se ha demostrado una calidad mejorada de los datos vGRF comparable a las cintas de correr con instrumentos.
• El nuevo modelo Ke2KeNet superó a los puntos de referencia 1D-s2s existentes en precisión.

Conclusiones:

• El aprendizaje profundo permite la estimación cinética del pie en 3D de alta fidelidad a partir de plantillas inteligentes portátiles.
• Este enfoque avanza significativamente el potencial de los sensores portátiles para el análisis biomecánico detallado.
• Los diseños optimizados de sensores y los modelos avanzados de aprendizaje profundo son clave para desbloquear todo el potencial de las plantillas inteligentes.