GaitDynamics: un modelo fundacional generativo para analizar la marcha y la carrera humanas

Área de la Ciencia:

• Biomecánica
• Inteligencia Artificial
• Movilidad Humana

Sus antecedentes:

• La comprensión de la dinámica de la marcha humana (movimiento y fuerzas) es crucial para la movilidad.
• Los modelos de aprendizaje profundo existentes para el análisis de la marcha están limitados por conjuntos de datos pequeños y homogéneos y predicciones de salida única.
• Los experimentos de laboratorio y las simulaciones costosos son métodos tradicionales para el análisis de la marcha.

Objetivo del estudio:

• Desarrollar un modelo fundacional generativo versátil para el análisis de la marcha humana.
• Permitir entradas y salidas flexibles para diversas aplicaciones clínicas.
• Superar las limitaciones de los modelos de aprendizaje profundo existentes en la investigación de la marcha.

Principales métodos:

• Se desarrolló GaitDynamics, un modelo fundacional generativo.
• Se entrenó el modelo con un conjunto de datos grande y diverso de patrones de marcha humana.
• Se utilizó el aprendizaje profundo para predicciones flexibles de entrada/salida.

Principales resultados:

• GaitDynamics estima con precisión las fuerzas de reacción del suelo a partir de la cinemática, incluso con datos faltantes.
• El modelo predice los efectos de las modificaciones de la marcha en la carga de la rodilla sin experimentos extensos.
• Predice cambios cinemáticos y de fuerza asociados con la variación de las velocidades de carrera.

Conclusiones:

• GaitDynamics demuestra alta precisión y eficiencia en el análisis de la marcha.
• El modelo tiene potencial para evaluar y optimizar la marcha para la prevención de lesiones, el tratamiento de enfermedades y el entrenamiento de rendimiento.
• Los datos, el código y los modelos compartidos públicamente facilitan la investigación y la aplicación futuras.