转移学习增强的CNN-GRU注意力模型用于膝关节扭矩预测
Hao Xie1, Yingpeng Wang2, Tingting Liu1
1School of Biomedical Engineering, Capital Medical University, Beijing, China.
Frontiers in bioengineering and biotechnology
|March 18, 2025
概括
这项研究引入了一种新的CNN-GRU-Attention神经网络模型,以准确预测膝关节扭矩. 该模型通过转移学习来增强,提高了受伤预防对象内部和对象之间预测的准确性.
科学领域:
- 生物力学 生物力学
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 准确的关节扭矩预测对于预防伤害至关重要,为活动期间的力量提供了洞察力.
- 使用表面EMG (sEMG) 和动力学的传统方法与复杂的运动和个体变异性作斗争.
- 由于特征可转移性下降,将联合扭矩估计模型泛化到不同主体是具有挑战性的.
研究的目的:
- 开发一个更准确的膝关节扭矩预测模型.
- 解决传统方法在捕捉非线性肌肉激活-关节运动关系方面的局限性.
- 通过转移学习,提高不同个体的模型通用性.
主要方法:
- 提出了一种混合CNN-GRU-Attention神经网络模型,由神经肌肉骨 (NMS) 解决器提供信息.
- 综合转移学习以提高跨学科预测准确度.
- 训练模型使用EMG信号,关节角度和肌肉力量来预测膝关节扭矩.
主要成果:
- 混合-CNN模型实现了显著低误差 (RMSE ≤0.16 Nm/kg) 在主体内膝关节扭矩预测.
- 转移学习显著改善了跨学科预测的概括性,减少了误差 (RMSE ≤0.14 Nm/kg).
结论:
- 开发的转移学习增强的CNN-GRU-Attention模型显示了准确的膝关节扭矩预测的巨大潜力.
- 这种方法为提高体育表现和预防伤害策略提供了一个有前途的工具.
- 该研究强调了混合模型和转移学习在复杂的生物力学分析中的有效性.
