相关实验视频
Updated: Jun 10, 2025
09:36
Measurement of Spatial Stability in Precision Grip
Published on: June 4, 2020
3.1K
基于手部人类学参数的抓地力和力预测模型:一个分析横截面研究
Mobina Sayadizadeh1, Mahla Daliri2, Mahdi Rahimi3
1Student Research Committee, Department of Epidemiology, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran.
BMC musculoskeletal disorders
|October 12, 2024
概括
使用机器学习,手动人体测量准确地预测了手握力 (HGS) 和捏压力. 关键的预测因素包括手的尺寸和形状,身体质量影响HGS的程度超过力.
科学领域:
- 生物医学工程 生物医学工程
- 临床生物力学 临床生物力学
- 医疗信息学 医疗信息学
背景情况:
- 手握强度 (HGS) 和握力强度是评估手功能和整体健康状况的关键临床指标.
- 准确评估这些优势对于诊断各种疾病和监测患者进展至关重要.
研究的目的:
- 开发机器学习模型来预测HGS和压力强度.
- 为了确定这些预测最有效的手和身体人类学参数.
主要方法:
- 来自波斯组织队列研究的542名参与者 (30-60岁) 的二次分析.
- 人工神经网络 (ANN) 模型对70%的数据进行了训练,对30%的数据进行了测试.
- 评估了手,身体和人口参数的各种组合,以优化预测准确度.
主要成果:
- 使用性别,体重和特定的手部人体测量 (长度,宽度,宽度,形状指数) 的最佳HGS模型实现了高精度 (调整R2=0.67).
- 最好的捏强度模型包括性别,手的尺寸 (长度,宽度,宽度,跨度,中指的长度) 和手形状指数 (调整R2=0.52).
- 这些模型的准确性与使用所有可用的变量模型的准确性几乎相同.
结论:
- 手的人类学参数 (总长度,手掌长度,最大宽度,最大宽度,手形状指数) 是HGS和力强度的最佳预测指标.
- 身体质量是HGS的重要预测因素,但它对力的影响不那么明显.
- 基于人体测量数据,ANN模型可以有效地预测手的力量.
