根据CNN-LSTM神经网络和可穿戴传感器系统估计下肢肌肉力量
1School of Mechanical and Aerospace Engineering, Jilin University, Changchun 130000, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
一个新的CNN-LSTM模型使用可穿戴传感器准确估计行走期间的肌肉力量. 这种方法比分析人类运动和肌肉损伤的传统方法更方便和更强大.
科学领域:
- 生物力学 生物力学
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 在体内估计肌肉力量对于理解人类运动控制和关节机制至关重要.
- 像OpenSim中的静态优化 (SO) 这样的传统方法可以在实时分析方面进行计算密集.
研究的目的:
- 开发和验证一种新的,高效的方法来估计下肢肌肉力量在行走.
- 将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 结合起来,以改善肌肉力量预测.
主要方法:
- 一个可穿戴的传感器系统在行走时收集了部,膝盖和脚的运动数据 (关节角度,角度速度).
- 一个CNN-LSTM神经网络模型使用OpenSim的SO方法计算的肌肉力量作为基本真相进行训练.
- 该模型估计了四个下肢肌肉的力量:部最大肌肉,大腿直肠,腹肌肌肌肌肌肌肌肌肌肌肌.
主要成果:
- 与标准的CNN和LSTM模型相比,CNN-LSTM模型在缓慢,中等和快速步行速度的肌肉力量估计方面表现出卓越的表现.
- 真正和估计的肌肉力量之间的高平均相关系数 (0.9801-0.9829) 表明了极好的准确性.
- 该模型表现出良好的强度和概括性,即使在训练集中不包括的肌肉数据上也表现良好.
结论:
- 拟议的CNN-LSTM方法为估计人类行走过程中的肌肉力量提供了一个方便而高效的替代方案.
- 这种方法为人类运动,肌肉损伤和临床应用的定量分析提供了宝贵的理论支持.
- 该模型有效地建立了关节动力学和肌肉力量之间的关系,在方便和效率方面超过了传统的SO方法.
