整合一个LSTM框架来预测步行过程中的脚关节生物力学,使用惯性传感器

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 脚关节对于步态,平衡和负载传输至关重要.
• 精确评估脚生物力学对于诊断下肢病理和指导康复至关重要.
• 测量脚生物力学的传统方法可能昂贵而复杂.

研究的目的:

• 实施长期短期记忆 (LSTM) 网络,用于预测脚关节的角度,扭矩和接触力.
• 评估使用惯性测量单元 (IMU) 传感器捕获下肢动力学和动力学数据的有效性.
• 开发一个具有成本效益和多功能系统,用于实时生物机械分析.

主要方法:

• 25名健康参与者进行了步行和跑步试验.
• 两个IMU传感器被安装在脚和骨上,以记录加速和角速度.
• 一个LSTM-MLP模型使用嵌套k折交叉验证进行了训练和验证,以预测生物力学参数.

主要成果:

• 该LSTM-MLP模型在预测脚关节角度,时刻和接触力方面取得了很高的准确性.
• 确定系数 (R ²) 的值在步行和跑步中从0.87到0.89不等.
• 平均绝对误差 (MAE) 和平均平方误差 (MSE) 证明了该模型的预测能力.

结论:

• 与LSTM网络相结合的IMU传感器提供了一种可靠的方法来评估脚关节生物力学.
• 这种方法为传统的基于实验室的运动分析提供了实用和经济的替代方案.
• 这些发现支持在临床环境中使用这项技术用于下肢诊断和康复.