Predicción Continua de Biomecánica de Extremidades Inferiores mediante Marker-GMformer Ligero Informado por Prior

Área de la Ciencia:

• Biomecánica
• Robótica
• Aprendizaje Automático

Sus antecedentes:

• La simulación tradicional de la dinámica musculoesquelética de las extremidades inferiores enfrenta desafíos como la dependencia de las plataformas de fuerza, la mala generalización y el alto costo computacional.
• Estas limitaciones dificultan las aplicaciones en tiempo real en sistemas de control de robots que requieren retroalimentación rápida.

Objetivo del estudio:

• Proponer el modelo Marker-GMformer para la predicción continua eficiente y precisa de la cinemática y la dinámica de las extremidades inferiores.
• Reducir la complejidad computacional manteniendo un alto rendimiento y sólidas capacidades de generalización.

Principales métodos:

• Desarrollamos un modelo de aprendizaje profundo impulsado por trayectorias de marcadores que integra el conocimiento previo con características globales-locales y espaciotemporales.
• Se ingresaron series temporales de coordenadas de marcadores para la predicción continua.
• Validamos las predicciones contra simulaciones de dinámica multibody musculoesquelética y plataformas de fuerza en 13 patrones de movimiento.

Principales resultados:

• Marker-GMformer logró un rendimiento excelente con coeficientes de correlación de Pearson promedio (ρ ≥ 0.97).
• Se observaron bajos errores cuadráticos medios: 1.95° para ángulos, 0.036 peso corporal para fuerzas de reacción del suelo (GRF) y 0.099 N·m/kg para momentos.
• El modelo demostró una fuerte generalización en diversos patrones de movimiento.

Conclusiones:

• El modelo propuesto Marker-GMformer ofrece una solución computacionalmente eficiente y precisa para predecir la mecánica de las extremidades inferiores.
• Muestra una promesa significativa para el monitoreo en tiempo real y la optimización del control de robots asistidos a través de retroalimentación oportuna.