基于深度学习的实时临床应用的地面反应力估计
概括
本研究介绍了一种基于标记的,具有成本效益的方法,用于实时步行分析. 它使用循环神经网络准确估计地面反应力 (GRF) 和压力中心 (COP),改进临床评估.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 临床步态分析传统上依赖于昂贵的强力板.
- 基于标记器的运动捕捉提供了丰富的动力学数据.
- 准确估计地面反应力 (GRF) 和压力中心 (COP) 对于诊断和监测步态异常至关重要.
研究的目的:
- 开发和验证一个具有成本效益的实时方法,用于使用标记轨迹来估计GRF和COP.
- 利用循环神经网络 (RNN) 在临床环境中进行步态分析.
- 为了减少对专门的强力板设备的依赖.
主要方法:
- 来自运动捕捉系统的标记轨迹被用作输入.
- 一个循环神经网络 (RNN) 被训练来预测GRF和COP.
- 实时跑步机行走实验对5名健康受试者进行了实时跑步机行走实验.
主要成果:
- 与地面真相相比,RNN模型在估计COP (r=0.81) 和GRF (r=0.96) 中表现出高准确度.
- 该方法对于实时步态分析的有效性和成本效益被证明是高效的.
- 高相关性表明模型的预测能力.
结论:
- 基于标记的RNN为临床步态分析中的实时GRF和COP估计提供了可行的,经济的替代方案.
- 这种方法有可能提高步态评估的可访问性和效率.
- 为了更广泛的临床应用,需要进一步验证病理步态数据.
更多相关视频
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
10.8K
08:55Use of a Foot-Induced Digitally Controlled Resistance Device for Functional Magnetic Resonance Imaging Evaluation in Patients with Foot Paresis
Published on: July 7, 2023
599
