使用人工神经网络的肌肉骨模型对特定主体的干部细分质量预测
1Human Performance Lab, Faculty of Kinesiology, University of Calgary, Calgary, AB, Canada. tao.liu1@ucalgary.ca.
Medical & biological engineering & computing
|May 1, 2024
概括
这项研究引入了一种新的人工神经网络方法,以准确预测特定主体的干部部分质量和质量中心 (CoM),使用肌肉骨模型的人体测量数据.
科学领域:
- 生物力学 生物力学
- 人类运动分析 人类运动分析
- 机器学习应用 机器学习应用
背景情况:
- 准确的身体部位参数对于肌肉骨 (MSK) 对人类运动和关节力的建模至关重要.
- 目前用于预测细分质量的方法缺乏对各种身体形状的概括性和敏感性.
- 机器学习的进步为提高预测准确性提供了潜力.
研究的目的:
- 开发和验证一种基于人工神经网络 (ANN) 的新方法,用于计算特定主体的干部部分质量和质量中心 (CoM).
- 仅使用人类测量作为准确预测的输入.
- 为了提高MSK建模中细分质量预测的概括性和灵敏性.
主要方法:
- 开发和训练了两个ANN:ANN1用于体型预测,ANN2用于组织质量预测,使用人体测量测量.
- 在279名受试者中验证了ANN1 (最大偏差为28毫米),在223名受试者中验证了ANN2 (身体部分平均误差<0.51%).
- 用预测的身体形状和组织质量计算两个志愿者的干部细分质量,并与实验数据进行比较.
主要成果:
- 在279名受试者中,身体形状ANN (ANN1) 显示最大偏差为28毫米.
- 组织质量ANN (ANN2) 的平均误差在头部,干部,腿部和手臂的平均误差小于0.51%,与基本真相相比.
- 志愿者计算的干部段质量显示了与实验数据相似的趋势和大小.
结论:
- 拟议的基于ANN的方法提供了一个有效和方便的工具,用于预测特定主体的干部质量.
- 这种方法解决了现有方法在概括性和对身体形状的敏感性方面的局限性.
- 使用人体测量数据准确的干部质量预测可以提高MSK模型的准确性.
