GaitDynamics:一种用于分析人类走路和跑步的生成基础模型
Tian Tan1,2, Tom Van Wouwe3, Keenon F Werling4
1Department of Bioengineering, Stanford University, Stanford, CA, USA. alanttan@stanford.edu.
Nature biomedical engineering
|January 6, 2026
概括
我们开发了GaitDynamics,这是一款基于各种人类步态数据的新型深度学习模型. 这种基础模型准确地预测了步行力和运动,有助于移动性和伤害预防.
科学领域:
- 生物力学 生物力学
- 人工智能的人工智能
- 人类的流动性 人类的流动性
背景情况:
- 了解人类步行动力学 (运动和力量) 对于移动性至关重要.
- 目前用于步态分析的深度学习模型受限于小,均的数据集和单个输出预测.
- 昂贵的实验室实验和模拟是步态分析的传统方法.
研究的目的:
- 为人类步态分析开发一种多功能生成基础模型.
- 为各种临床应用提供灵活的输入和输出.
- 克服行走研究中现有的深度学习模型的局限性.
主要方法:
- 开发了 GaitDynamics,一种生成基础模型.
- 在一个大而多样化的人类步行模式数据集上训练模型.
- 利用深度学习进行灵活的输入/输出预测.
主要成果:
- 盖特动力学准确地估计了动力学上的地面反应力,即使缺少数据.
- 该模型预测了步态修改对膝盖负荷的影响,而无需进行广泛的实验.
- 它预测了与不同运行速度相关的动力和力变化.
结论:
- 步态动力学在步态分析中表现出高精度和高效率.
- 该模型具有评估和优化步态的潜力,用于预防伤害,治疗疾病和绩效指导.
- 公开共享的数据,代码和模型有助于进一步的研究和应用.
