自主监督学习提高了从步态动力学的下肢关节运动时刻估计的准确性和数据效率
Yifan Li1,2, Jiayu He1, Bernard Liew3
1Department of Engineering, King's College London, London, United Kingdom.
Frontiers in bioengineering and biotechnology
|October 10, 2025
概括
自主监督学习 (SSL) 提高了联合时刻估计的准确性和效率. 这种深度学习方法需要更少的标记数据,改善生物力学评估和扩大临床应用.
科学领域:
- 生物力学 生物力学
- 深度学习 (Deep Learning) 是一种深度学习.
- 机器学习 机器学习
背景情况:
- 估计人类关节时刻对于评估关节负荷至关重要,但传统上需要广泛的标记数据.
- 在现实世界生物机械应用中,收集同步的关节角度和时刻数据是具有挑战性的.
- 深度学习 (DL) 提供了潜力,但面临着精确联合时刻估计的数据限制.
研究的目的:
- 为了提高膝关节运动时刻估计的准确性和数据效率.
- 利用自主监督学习 (SSL) 来从未标记的数据中提取人类运动表示.
- 减少对大型标记数据集的依赖,以训练联合时刻估计模型.
主要方法:
- 一个变压器自动编码器架构被用于基于SSL的联合时刻估计.
- 该模型在使用面具重建的大型未标记关节角度数据集上进行了预训练.
- 微调是在标记的关节矩数据的一个小子集上进行的.
主要成果:
- SSL模型显著超过了基线,特别是有限的标记数据 (例如,5%的标记数据).
- 与基线相比,平均平方误差 (MSE) 和平均绝对误差 (MAE) 显著减少.
- 与使用100%的基线相比,SSL模型即使仅使用20%的标记数据,也实现了卓越的性能.
结论:
- 自主监督学习显著提高了联合时刻估计的准确性和数据效率.
- 拟议的方法为生物力学评估提供了更有效的解决方案,减少了数据收集负担.
- 这种方法有可能扩大联合时刻估计技术的临床适用性.
