使用视频摄像头或可穿戴传感器预测行走过程中膝关节接触力峰值
Jere Lavikainen1,2, Lauri Stenroth3, Paavo Vartiainen3
1Department of Technical Physics, University of Eastern Finland, Kuopio, Finland. jere.lavikainen@uef.fi.
Annals of biomedical engineering
|August 3, 2024
概括
现在可以在实验室之外估计膝关节负荷. 人工神经网络使用视频摄像头和IMU的简单输入来预测加载,匹配运动捕捉的准确性.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 估计膝关节负荷对于管理退行性关节疾病至关重要.
- 目前的方法依赖于专门的运动捕捉 (MOCAP) 和专家分析.
- 需要更容易获得的膝盖负荷估计技术.
研究的目的:
- 开发使用人工神经网络 (ANN) 估计膝关节负荷的可访问方法.
- 使用简单的输入预测器来预测膝关节关节负荷峰值.
- 评估使用非专业化数据用于膝盖负荷预测的可行性.
主要方法:
- 训练有素的前ANN从基本受试者数据 (体重,身高,年龄,性别,步行速度,膝盖曲角度) 预测膝关节负荷峰值.
- 使用视频摄像头 (VC) 和惯性测量单元 (IMU) 与MOCAP一起收集独立的数据.
- 使用VC和IMU数据的量化ANN预测准确度与MOCAP数据相比.
主要成果:
- 通过可移植模式 (VC,IMU) 实现了与MOCAP数据相比较的预测准确度.
- 报告的正常化根平均平方误差在0.13和0.37.3之间.
- 预测和参考负载峰值之间观察到的相关性在0.65到0.91.9之间.
结论:
- 视频摄像机 (VC) 和惯性测量单元 (IMU) 可以提供在实验室环境之外估计膝关节负荷的预测指标.
- 这些便携式方法为传统的运动捕捉提供了可行的替代方案.
- 进一步的研究应侧重于这些方法在现实世界,实验室外环境中的可用性.
关键词:
人工神经网络的人工神经网络计算机视觉 计算机视觉 计算机视觉接触部队接触部队步态分析 步态分析惯性测量单位是一种惯性测量单位.膝关节:膝关节的关节是指膝关节的关节.打开Pose,可以使用Pose.更多相关视频
08:24Sit-to-stand-and-walk from 120% Knee Height: A Novel Approach to Assess Dynamic Postural Control Independent of Lead-limb
Published on: August 30, 2016
10.2K
06:52An Inertial Measurement Unit Based Method to Estimate Hip and Knee Joint Kinematics in Team Sport Athletes on the Field
Published on: May 26, 2020
7.9K
