用稀疏传感器进行下肢运动预测的物理信息学习框架及其在慢性中风中的应用

科学领域:

• 生物力学 生物力学
• 康复工程 康复工程
• 机器学习 机器学习

背景情况:

• 步态分析对于诊断疾病和评估康复进展至关重要,特别是在出现下肢动力学变化的中风幸存者中.
• 目前精确的运动捕捉系统是实验室限制,而可穿戴的惯性测量单元 (IMU) 需要多个传感器,阻碍日常生活监控.
• 精确的下肢关节角度测量对于评估中风患者的功能状态和指导康复至关重要.

研究的目的:

• 开发一个基于物理学的学习框架,使用时卷积网络 (TCN) 准确地预测下肢动力学.
• 将步态分析所需的IMU数量显著减少到仅有两个.
• 验证该框架在健康受试者和慢性中风患者中的有效性.

主要方法:

• 一个基于物理学的学习框架,将几何物理约束集成到一个时间卷积网络 (TCN) 中.
• 利用两个IMU进行下肢动力学预测,结合人类步态建模和IMU衍生约束.
• 在6名健康受试者和17名慢性中风患者中验证了框架.

主要成果:

• 拟议的TCN框架只使用两个IMU准确预测下肢动力学.
• 实现了与使用四个或更多IMU的系统可比的准确性.
• 在健康个体和中风幸存者中证明了框架的有效性.

结论:

• 基于物理的TCN框架为使用最小的可穿戴传感器进行下肢动力学评估提供了实用解决方案.
• 这种方法具有显著的潜力,可以对中风患者进行不引人注目的步态监测和个性化康复.
• 减少的传感器数量提高了在现实世界康复环境中的便利性和适用性.