一种以物理为基础的深度学习方法,用于预测双边地面反应力和步行过程中来自单一强力板的压力中心
Cheng-Hao Yu1, Shiuan-Huei Lu2, Yi-Fu Lu2
1Department of Biomedical Engineering, National Taiwan University, Taipei, Taiwan; Department of Orthopaedic Surgery, School of Medicine, National Taiwan University, Taipei, Taiwan.
Gait & posture
|July 6, 2025
概括
一个新的人工智能模型使用一个强力板预测双边地面反应力和压力中心,简化了步态分析. 这项技术通过减少试验尝试和提高准确性来帮助有运动障碍的人.
科学领域:
- 生物力学 生物力学
- 医疗工程 医学工程
- 人工智能的人工智能
背景情况:
- 双边地面反应力 (GRF) 和压力中心 (COP) 测量对于步态分析至关重要.
- 目前的方法需要连续将脚放置在单独的前上,这往往会导致患者的错误和改变步态.
- 准前板可以不自然地影响行走机制.
研究的目的:
- 为预测双边GRF和COP而开发一种新的基于物理的残余循环神经网络 (PI-ResRNN).
- 利用单个强力板的数据来简化步态分析过程.
- 在不同年龄组和患者群体中验证PI-ResRNN模型的准确性.
主要方法:
- 训练并验证了PI-ResRNN模型,使用315名参与者 (健康人和神经肌肉骨疾病患者) 的叉板数据.
- 分析了6765项试验,在双接触阶段为每个脚分解GRF和COP.
- 评估模型预测与基本真相相比,使用根平均平方误差 (RMSE) 和相对RMSE (rRMSE).
主要成果:
- 对于所有预测变量,PI-ResRNN显示了与基本真相的高度一致性.
- 达到的rRMSE平均值低于0.34% (垂直GRF),0.38% (前后GRF) 和0.56% (中侧GRF).
- COP的平均RMSE低于3.0毫米,该模型准确地识别了群体差异.
结论:
- PI-ResRNN模型为双边GRF和COP评估提供了一种实用和准确的方法.
- 使用单个强力板实现步态分析,克服传统设置的局限性.
- 对于行动障碍的人群来说,步态分析具有显著的好处.
更多相关视频
06:21Postural Organization of Gait Initiation for Biomechanical Analysis Using Force Platform Recordings
Published on: July 26, 2022
2.7K
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.5K
