超声波增强的数据驱动建模用于描述自然手腕震动动力学

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器人技术 机器人技术 机器人技术

背景情况:

• 非自发的节奏手腕震在症状管理中存在挑战,原因是难以识别主导频率和振幅等关键特征.
• 现有的方法通常仅依赖于惯性测量单元 (IMU),这些单元无法捕捉对理解震产生至关重要的内部肌肉动态.

研究的目的:

• 开发和验证超声波 (美国) 增强的数据驱动建模框架,以改进手腕震的特征和跟踪.
• 探索不同的建模配置,包括实时自适应模型,用于动态震动行为分析.
• 建立个性化震建模和基于模型的控制策略的基础.

主要方法:

• 使用手腕角度动力学作为状态变量开发了一个数据驱动的建模框架,并增加了肌肉特定的超声波 (美国) 数据.
• 探索了三个模型:仅动力学,固定参数US增强型,以及使用递归最小方程 (RLS) 算法的实时自适应US增强型模型.
• 综合验证涉及对六名患者实验数据的时间和频率域分析,包括自身值分析.

主要成果:

• 整合美国输入显著提高了建模准确性,将时间域规范化根平均平方误差 (nRMSE) 从49.36% (基线) 降至24.53% (美国增强).
• 适应性美国增强模型实现了显著的误差降低到0.48%,证明了动态适应震变化.
• 该框架能够准确估计主导震频率 (nRMSE = 12.7%),量化国家贡献,并可靠地检测震事件 (F1评分 = 0.796).

结论:

• 美国增强的数据驱动框架准确地重现了震轨迹,并揭示了与神经肌肉活动相关的不断变化的震行为.
• 这种方法为个性化震建模提供了一个有前途的方法,朝着实时跟踪和基于模型的干预措施 (如闭环刺激) 迈进.
• 利用超声波的传感能力为先进的震管理和控制提供了一条新的途径.