协同推断和静态优化的比较,用于估计在行走过程中多个未测量的肌肉激活
1Institute of Medical Research, Northwestern Polytechnical University, Xi'an, Shaanxi, China. aodi@nwpu.edu.cn.
Journal of neuroengineering and rehabilitation
|November 1, 2024
概括
协同推断 (SynX) 准确地估计了EMG驱动的肌肉骨模型缺失的电肌图 (EMG) 信号. 这种方法允许使用更少的EMG传感器进行更完整的模型校准,有助于个性化移动障碍干预.
科学领域:
- 生物力学 生物力学
- 计算建模计算建模
- 神经康复疗法 神经康复疗法
背景情况:
- 电肌图 (EMG) 驱动的肌肉骨模型提供了对内部生物力学数量的洞察.
- 一个主要的限制是对所有肌肉的广泛EMG数据的要求.
- 协同推断 (SynX) 可以估计单个缺失的EMG信号,但其对多个缺失信号的有效性尚不清楚.
研究的目的:
- 评估SynX在EMG驱动模型校准期间估计多个缺失的EMG信号的准确性.
- 将SynX性能与静态优化 (SO) 进行比较,以估计肌肉激活和力量.
主要方法:
- 利用了两名中风后患者的步态数据,每条腿有16个EMG通道.
- 校准了一个EMG驱动的肌肉骨模型,以建立"黄金标准"的肌肉激活和力量.
- 应用SynX来预测缺少的8个EMG信号的肌肉激活/力量,同时校准模型参数.
- 使用静态优化 (SO) 作为比较方法.
主要成果:
- 在估计未测量的肌肉激活和力量的幅度和形状方面,SynX的准确性明显高于SO.
- 与SO相比,SynX实现了较低的根平均平方误差 (RMSE) 和更高的相关系数 (r).
- 使用SynX校准的模型参数与"黄金标准"值相当.
结论:
- SynX允许使用有限的八个EMG信号集进行EMG驱动的模型校准.
- 这种方法有助于全面建模下肢肌肉.
- 潜在的应用包括设计个性化康复和手术干预行动障碍.
