从神经机械动态的数据驱动模型中发现个体特有的步态特征
Taniel S Winner1, Michael C Rosenberg1, Kanishk Jain2
1W.H. Coulter Dept. Biomedical Engineering, Emory University and Georgia Institute of Technology, Atlanta, Georgia, United States of America.
PLoS computational biology
|October 27, 2023
概括
本研究引入了一种新的步态特征框架,用于分析复杂的运动动态. 这种方法揭示了个体中独特的,保存的步态模式,有助于理解神经和生物力学差异.
科学领域:
- 生物力学 生物力学
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
- 动态系统 动态系统
背景情况:
- 运动源于复杂的,非线性神经和生物机械相互作用.
- 鉴定和比较跨个体和条件的步态动态是具有挑战性的,因为系统的复杂性.
- 现有的模型难以全面地捕捉人类运动的细微动态.
研究的目的:
- 开发一种数据驱动的,生成型建模方法,用于描述和比较步态动态.
- 为了实现神经机械步行特征的整体和可解释的分析.
- 识别和分析在不同条件下保存的个体步态特征.
主要方法:
- 开发了一个生成动态模型来预测步态动态.
- 利用一个常见的,低维的潜空间来比较群体和个体差异.
- 分析了健康的老年人和中风幸存者在跑步机上行走时的步态特征.
主要成果:
- 在健康和中风后的个体中,在不同的步行速度中保留了个性化的步态特征.
- 步行特征显示出明显的个体差异,即使在具有相似功能障碍的人中也是如此.
- 步态特征的组成部分是生物机械可解释的,并与联合协调模式相关联.
- 该模型成功地从最初的静态姿势预测了关节协调动态.
结论:
- 拟议的步态特征框架为表征和预测循环运动行为提供了可概括的方法.
- 这种方法提供了一种关于步态动态的整体观点,适用于各种物种,病理和扰乱.
- 该模型有助于更深入地了解神经机械控制和运动中的个体变化.
