自我意识融合IMU-EMG注意力依赖膝盖引运动的时刻估计在行走过程中

科学领域:

• 生物力学 生物力学
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 膝关节关节炎 (KOA) 显著降低了生活质量.
• 膝盖附加时刻 (KAM) 是KOA严重程度的关键生物力学指标.
• 目前的KAM评估工具昂贵且难以获得.

研究的目的:

• 开发一种新的,具有成本效益的深度学习框架,用于准确的KAM估计.
• 克服传统KAM评估方法的局限性.
• 为了提高KOA严重性评估的可访问性.

主要方法:

• 设计了一个自我意识的融合深度学习模型来估计KAM.
• 通过使用4个惯性测量单位 (IMU) 和6个电肌图 (EMG) 传感器,从18名受试者中收集了数据.
• 该模型整合了IMU和EMG数据,以提高估计准确度.

主要成果:

• 拟议的框架显著提高了KAM估计的准确性.
• 该模型实现了比现有方法更低的9.15%BW BH的相对平方根平均误差.
• 这表明基于可穿戴设备的生物力学分析取得了重大进展.

结论:

• 新的深度学习框架为KAM估计提供了一个有希望,准确和低成本的解决方案.
• 这项技术可以提高膝关节骨关节炎 (KOA) 的评估和管理.
• 这种方法的更广泛采用可以改善患者的治疗结果和生活质量.