部接触力可以通过神经网络预测,仅使用合成关键点和部骨关节炎患者的肌电图

科学领域:

• 生物力学 生物力学
• 人工智能的人工智能
• 整形外科 整形外科 整形外科

背景情况:

• 关节骨关节炎 (OA) 显著影响移动性和生活质量.
• 精确估计部接触力 (HCF) 对于了解OA进展和指导治疗至关重要.
• 目前用于估计HCF的方法可以是侵入性的或计算密集的.

研究的目的:

• 开发和验证一个神经网络 (NN) 来估计HCF,下肢动力学和行走过程中的动力学在患有关节OA的人身上.
• 评估NN能够检测由于步态修改导致的HCF变化的能力.
• 用合成的解剖关键点和电肌图 (EMG) 数据来估计力.

主要方法:

• 基于EMG数据的神经肌肉骨模型被用于计算17名患有关节OA的参与者的生物机械输出.
• 合成的解剖关键点,模拟计算机视觉噪声,与五个部肌肉的EMG数据相结合.
• 时间卷积和长期短期记忆的NN被训练使用离开一个主体的验证.

主要成果:

• 该NN预测HCF的平均误差为13.4±7.1%的峰值力.
• 预测的关节角度和时刻显示平均误差分别为5.3度和0.10Nm/kg.
• 该NN准确地检测到步态修改 (r2 = 0.72) 的峰值HCF变化,最小可检测变化为9.5%.

结论:

• 开发的NN提供了可接受的准确度估计HCF和下肢生物力学的人与关节骨质炎,即使有噪音输入数据.
• 该NN在预测由步态修改引起的HCF大小变化方面表现出高准确性.
• 这些发现支持在现实环境中对部骨关节炎患者进行负载修改步态再培训干预措施的潜在实施.