使用多源融合循环神经网络和转移学习预测中间膝盖接触力
Jianjun Zou1, Xiaogang Zhang2, Yali Zhang1
1School of Mechanical Engineering, Southwest Jiaotong University, Chengdu, 610031, China.
Medical & biological engineering & computing
|January 5, 2024
概括
这项研究引入了一种新的多源融合长短期记忆 (MF-LSTM) 模型,用于估计膝盖接触力 (KCF). 通过转移学习增强的MF-LSTM模型准确地预测了特定学科的KCF,有助于临床评估.
科学领域:
- 生物力学 生物力学
- 计算建模计算建模
- 机器学习 机器学习
背景情况:
- 在步行过程中精确估计膝关节接触力 (KCF) 对于评估膝关节功能至关重要.
- 现有的KCF估计的机器学习模型往往忽视了步态数据的复杂时间,多维和异质性质.
研究的目的:
- 开发一个多源融合循环神经网络,用于预测介质体KCF.
- 通过转移学习策略来增强特定学科的KCF预测.
主要方法:
- 开发了一种多源融合长短期记忆 (MF-LSTM) 模型.
- 转移学习策略应用于MF-LSTM模型,用于个性化KCF预测.
- 利用了四名带有仪器关节假肢的受试者的数据.
主要成果:
- MF-LSTM模型在预测中间KCF方面表现出很高的准确性 (平均 ρ = 0.970).
- 转移学习方法进一步提高了预测准确度 (平均 ρ = 0.987).
结论:
- MF-LSTM模型是一个有效的计算工具,用于准确的中间KCF预测.
- 转移学习显著提高了特定学科的KCF预测性能.
- 这种方法为临床医生提供了一种有价值的方法,可以实时估计和监测联合接触力.
