Prior-Informed Lightweight Marker-GMformerによる連続的な下肢生体力学予測

科学分野:

• 生体力学
• ロボット工学
• 機械学習

背景:

• 従来の筋骨格力学シミュレーションは、フォースプレートへの依存、汎化性能の低さ、高い計算コストといった課題に直面しています。
• これらの限界は、迅速なフィードバックを必要とするロボット制御システムにおけるリアルタイムアプリケーションの妨げとなります。

研究 の 目的:

• 下肢の運動学および動力学の効率的かつ正確な連続予測のためのMarker-GMformerモデルを提案すること。
• 高い性能と強力な汎化能力を維持しながら、計算複雑性を低減すること。

主な方法:

• グローバル-ローカルおよび時空間的特徴と事前知識を統合した、マーカートラジェクトリ駆動型の深層学習モデルを開発しました。
• 連続予測のためにマーカー座標時系列データを入力しました。
• 13の運動パターンにわたる筋骨格マルチボディダイナミクスシミュレーションおよびフォースプレートに対する予測を検証しました。

主要な成果:

• Marker-GMformerは、平均ピアソン相関係数（ρ≥0.97）で優れた性能を達成しました。
• 低い二乗平均平方根誤差が観察されました：角度で1.95°、接地反力（GRF）で0.036体重、モーメントで0.099 N·m/kg。
• モデルは、多様な運動パターンにわたって強力な汎化能力を示しました。

結論:

• 提案されたMarker-GMformerモデルは、下肢の力学を予測するための計算効率が高く正確なソリューションを提供します。
• タイムリーなフィードバックを通じて、リアルタイムモニタリングと支援ロボット制御の最適化に大きな可能性を示しています。