使用基于机器学习的无标记运动捕捉系统,估计行走时的三维地面反应力和压力中心
Ru Feng1, Ukadike Christopher Ugbolue2, Chen Yang1
1School of Sports and Health, Nanjing Sport Institute, Nanjing 210014, China.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
研究人员开发了神经网络模型,用无标记运动捕捉来估计地面反应力 (GRF) 和压力中心 (COP). 这为步态分析的动力参数提供了无力板的方法.
科学领域:
- 生物力学 生物力学
- 计算机科学 计算机科学
- 运动学 运动学
背景情况:
- 无标记式运动捕捉系统通过减少设置复杂性,为步态分析提供优势.
- 精确估计运动参数,如地面反应力 (GRF) 和压力中心 (COP),对于理解人类运动至关重要.
- 传统的方法通常依赖于强力板,这可能是繁的,并限制实验设置.
研究的目的:
- 开发和评估神经网络模型,用标记轨迹来估计3D GRF和COP.
- 评估多层感知器 (MLP) 和卷积神经网络 (CNN) 模型对此估计任务的性能.
- 探索无标记运动捕捉的可行性,作为步态分析中的强力板的替代方案.
主要方法:
- 步行数据,包括从姿势阶段的动力学和动力学信息,使用摄像头和强力板收集.
- 三维标记轨迹被用作MLP和CNN模型的输入.
- 模型被训练来估计GRF和COP组件,使用相关系数 (r) 和相对根平均平方误差 (rRMSE) 评估性能.
主要成果:
- 两种MLP和CNN模型都在估计GRF组件方面表现出高准确度,r值超过0.918.
- 与MLP相比,CNN模型通常在GRF估计方面表现稍好一些.
- 对于COP估计,CNN模型比MLP模型获得了更高的准确性 (r值从0.896到0.977),特别是在减少rRMSE方面.
结论:
- 神经网络模型可以有效地从无标记运动捕获数据中估计3D GRF和COP.
- 这种无标记方法提供了一个可行的替代方法,可以在步态分析过程中测量运动参数,从而减少对力板的需求.
- 该研究强调了人工智能驱动的生物机械分析的潜力,以实现更容易获得和更有效的运动评估.
