OrientationNN: una red neuronal ligera informada por la física para la estimación de cinemática articular en tiempo...

Área de la Ciencia:

• Biomecánica
• Aprendizaje automático
• Tecnología portátil

Sus antecedentes:

• La cinemática articular precisa es crucial para el análisis del movimiento humano, pero la captura de movimiento óptico tradicional es costosa y compleja.
• Las unidades de medición inercial (IMU) ofrecen una alternativa portátil, pero la estimación precisa de la cinemática sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar una red neuronal ligera e informada por la física para la estimación de cinemática articular en tiempo real utilizando IMU.
• Garantizar estimaciones biomecánicamente consistentes a través de restricciones físicas integradas.

Principales métodos:

• Se desarrolló OrientationNN, un perceptrón multicanal compacto que integra restricciones físicas basadas en la orientación.
• Se evaluó OrientationNN en un conjunto de datos público, comparándolo con los modelos OpenSense, MLP, LSTM, CNN y Transformer.

Principales resultados:

• OrientationNN logró errores de estimación de ángulos articulares promedio por debajo de 5° durante el movimiento ambulatorio.
• El modelo superó al marco OpenSense basado en la física en todas las variables cinemáticas.
• OrientationNN demostró una alta eficiencia computacional con solo 4.9 × 10³ FLOPs por cuadro y 10.8 KB de parámetros.

Conclusiones:

• OrientationNN proporciona una estimación precisa y computacionalmente eficiente de la cinemática articular a partir de datos de IMU.
• El modelo presenta una solución rentable y escalable para aplicaciones de biomecánica y análisis de movimiento portátiles.