预测正常行走过程中的膝关节接触力,使用动力输入与长短期神经网络进行预测
Hunter J Bennett1, Kaileigh Estler2,3, Kevin Valenzuela4
1Neuromechanics Laboratory, Old Dominion University, 1007 Student Recreation Center, Norfolk, VA 23529.
Journal of biomechanical engineering
|January 25, 2024
概括
一种新的深度学习方法使用简单的动力学数据准确预测膝关节的接触力. 这种方法简化了力估计,与复杂的建模相比,为临床应用和研究提供了更容易使用的工具.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 计算科学 计算科学
背景情况:
- 膝关节接触力对于了解膝关节功能和病理学至关重要.
- 目前的估计方法,如外部时刻和肌肉骨建模,在可访问性和临床适用性方面存在局限性.
- 需要一种简化,准确的方法来预测膝盖力量.
研究的目的:
- 开发和验证一种新的,简单的预测方法,用于膝关节接触力,使用最小的动力输入.
- 将新方法的准确性与传统的肌肉骨建模进行比较.
主要方法:
- 利用来自大挑战和CAMS数据集的标记轨迹和仪器膝盖力.
- 通过反向动力学来导出下肢和干部动力学.
- 开发了一个长期短期记忆 (LSTM) 网络,使用动力学数据预测中间和侧面的膝盖力.
- 使用OpenSim肌肉骨模型进行比较.
主要成果:
- 在 LSTM 网络实现了高精度的中间膝盖力 (R2 = 0.77),只需要前部部/膝盖和斜腰部/脚运动.
- 肌肉骨模型也显示出良好的中位力预测 (R2 = 0.77).
- 这两种方法对侧面膝盖力量的准确性都很差 (LSTM R2 = 0.18,建模R2 = 0.21).
结论:
- 使用LSTM网络的深度学习方法可以通过简化动力输入准确预测膝关节中间接触力.
- 这种方法显示承诺作为一个更容易获得的替代方案,复杂的肌肉骨建模估计膝关节力量.
- 需要进一步的研究来提高横向力预测的准确性.
