通过脑的步态动力学估计地面反应力:一个卷积神经网络方法

科学领域:

• 生物力学 生物力学
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 步态分析对于诊断神经运动障碍至关重要,例如脑性麻 (CP).
• 在自然行走过程中精确地测量地面反应力 (GRF),由于步态的变化而具有挑战性.
• 现有的机器学习研究缺乏专门关注CP患者的GRF预测.

研究的目的:

• 为了预测CP患者的GRF,使用基于标记器的运动捕捉的关节角度.
• 在不依赖强力板的情况下开发CP中步态分析的协议.
• 为了弥补机器学习应用程序的差距,用于CP特定的GRF预测.

主要方法:

• 利用了132名典型发育 (TD) 患者和622名CP患者的数据集.
• 收集下肢动力学数据 (关节角度) 和GRF数据 (三轴).
• 采用1D卷积神经网络用于特征提取和GRF预测.

主要成果:

• 在nRMSE<20.13%和PCC>0.84.8%的情况下,预测CP患者的GRF.
• TD受试者显示出更高的预测准确性:nRMSE<12.65%和PCC>0.94.
• 预测的GRF模式与实验数据密切匹配.

结论:

• 机器学习显示了预测CP患者GRF的前景.
• 开发的方法提供了一个潜在的无力板行走分析协议.
• 目前的预测准确性限制了即时的临床应用,需要进一步细化模型.