地面反应力和净联合动量预测的比较:骨模型与基于人工神经网络的方法对比
Juan Cordero-Sánchez1, Bruno Bazuelo-Ruiz2, Pedro Pérez-Soriano2
1Department of Physiotherapy, Faculty of Medicine and Health Science, University of Alcalá, Alcalá de Henares, Spain.
Journal of applied biomechanics
|April 9, 2025
概括
循环人工神经网络 (ANN) 准确地预测运行生物力学,优于基于物理模型的地面反应力和关节时刻. 这表明ANN可以可靠地估计各种运动捕捉技术的动力数据.
科学领域:
- 生物力学 生物力学
- 计算建模计算建模
- 运动科学 运动科学
背景情况:
- 基于物理学的模型是分析人类运动力学的标准.
- 人工神经网络 (ANN) 越来越多地用于支持生物机械分析.
研究的目的:
- 为了比较反复出现的ANN与基于物理的模型在预测运行地面反应力 (GRF) 和下肢关节时刻方面的准确性.
- 评估ANN从使用不同实验方法获得的动力学预测动力学数据的能力.
主要方法:
- 使用来自惯性运动捕获系统和力板的生物力学数据训练反复的ANN.
- 利用来自光学运动捕捉系统的公开可用的动力学数据进行ANN评估.
- 计算了基于物理的方法使用线性和角动量定理来计算GRF和连接矩.
主要成果:
- 经常性ANN在预测GRF (前后,垂直,中侧) 和下肢关节时刻 (膝盖/脚屈曲,部绑架/旋转) 中显著超过基于物理模型 (P < .05) 在训练和更高的跑步速度.
- 经过培训的ANN在不同的动态数据源和实验技术中展示了强大的预测能力.
结论:
- 循环ANN为预测运行动力学提供了一个非常准确的替代传统基于物理的模型.
- 训练有素的ANN可以将预测概括为来自不同来源的动力学数据,从而提高它们在生物力学研究和性能分析中的实际适用性.
