在走路和跑步时使用地面反应力预测下肢关节时刻和电肌图信号:一种人工神经网络方法
Arash Mohammadzadeh Gonabadi1, Farahnaz Fallahtafti2, Iraklis I Pipinos3
1Department of Biomechanics and Center for Research in Human Movement Variability, University of Nebraska at Omaha, Omaha, NE 68182, USA; Institute for Rehabilitation Science and Engineering, Madonna Rehabilitation Hospitals, Lincoln, NE 68506, USA.
人工神经网络 (ANN) 通过使用地面反应力 (GRF) 准确预测下肢关节时刻和电肌图 (EMG) 信号. 这有助于在没有昂贵的运动捕捉系统的情况下进行可访问的人类步行分析.
科学领域:
- 生物力学 生物力学
- 人类机动分析分析
- 医疗保健中的人工智能
背景情况:
- 传统的生物力学评估通常需要昂贵的运动捕捉系统.
- 地面反应部队 (GRF) 为步态分析提供了更容易获得的数据源.
- 人工神经网络 (ANN) 提供了一种新的方法来解释GRF数据.
研究的目的:
- 为了确定ANN是否可以从GRF数据中准确预测下肢关节时刻.
- 评估ANN在使用GRF预测电肌图 (EMG) 信号方面的能力.
- 提高人类步行分析的可访问性和可负担性.
主要方法:
- 利用ANN来分析GRF数据,以预测联合时刻和EMG信号.
- 包括对363个试验的分析,用于4个数据集的联合时刻.
- 包括对2个数据集的EMG信号63项试验的分析,重点关注6个关键下肢肌肉.
主要成果:
- 对于联合时刻 (R=0.97,p<0.0001) 的预测,ANN模型取得了很高的准确性.
- 在ANN模型中,EMG信号的预测精度很高 (R=0.95,p<0.0001).
- 准确的预测在各种步行活动中是一致的,包括走路和跑步.
结论:
- 基于GRF的ANN模型为了解人类运动提供了强大的工具.
- 研究结果支持开发便携式,负担得起的生物力学评估工具.
- 潜在的应用包括体育科学,康复和先进的辅助技术.
更多相关视频
11:16Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis
Published on: July 22, 2014
06:35Using Gold-standard Gait Analysis Methods to Assess Experience Effects on Lower-limb Mechanics During Moderate High-heeled Jogging and Running
Published on: September 14, 2017