深度学习模型的性能,包括膝盖对齐信息,用于预测行走时的地面反应力

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 深度学习模型和可穿戴传感器正在推进生物力学变量预测.
• 在预测模型中,膝盖对齐和受伤侧数据的整合往往被忽视.
• 之前的研究已经探索了简单的神经网络和复杂的预训练模型来预测3D地面反应力 (GRF).

研究的目的:

• 为了比较各种深度学习模型架构的性能,包括复杂的预训练模型,在水平行走时预测3DGRF.
• 评估结合特定对象的特征,如膝盖对齐,对预测准确性的影响.
• 为了确定现实世界生物机械分析的最有效和最准确的模型.

主要方法:

• 开发了10个深度学习模型,使用移动捕捉和可穿戴加速度计数据.
• 具有和没有对象特征的模型进行比较,包括膝盖对齐和受伤侧面.
• 评估已建立的预训练模型 (ResNet50,Inception) 和定制混合模型 (2D-CNN-LSTM).

主要成果:

• 在大多数模型中,除了LSTM外,整合特定主题的特征提高了预测准确度.
• 一个2D-CNN-LSTM混合模型展示了最高的预测准确性.
• 预训练模型 (ResNet50,Inception) 从ImageNet权重和特定主题特征中受益,但在时间序列GRF预测方面没有超过定制混合模型.
• 较大的预训练模型显示,在没有优异的时间序列性能的情况下,计算需求增加.

结论:

• 特定对象的特征,特别是对齐信息,显著提高了行走GRF预测的准确性.
• 定制的混合深度学习模型在时间序列3D GRF预测方面优于复杂的预训模型.
• 集成对齐特征的定制模型为准确,资源受限的生物力学预测提供了更高效和有效的解决方案.