相关实验视频
Updated: Jan 20, 2026

Lower Limb Biomechanical Analysis of Healthy Participants
Published on: April 15, 2020
连续下肢生物力学预测通过先前信息轻量标记器-GMformer
Hao Zhou1,2, Yinghu Peng1, Xiaohui Li1
1Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China.
本研究介绍了Marker-GMformer,这是一种深度学习模型,用于使用标记数据高效地预测下肢生物力学. 它可以实时分析和机器人控制,克服传统方法的局限性.
科学领域:
- 生物力学 生物力学
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 传统的下肢肌肉骨动力学模拟面临诸如力板依赖性,概括性差,计算成本高等挑战.
- 这些局限性阻碍了需要快速反的机器人控制系统中的实时应用.
研究的目的:
- 提出Marker-GMformer模型,以高效准确地持续预测下肢动力学和动态.
- 为了减少计算复杂性,同时保持高性能和强大的泛化能力.
主要方法:
- 开发了一个基于标记轨迹的深度学习模型,将先前的知识与全球-本地和空间-时间特征集成.
- 输入标记器协调时间序列数据,用于连续预测.
- 根据13种运动模式的肌肉骨多体动力学模拟和力盘的验证预测.
主要成果:
- 标记器-GMformer以平均皮尔森相关系数 (ρ ≥ 0.97) 实现了出色的性能.
- 观察到低根平均平方误差:角为1.95°,地面反应力 (GRF) 为0.036体重,时刻为0.099N·m/kg.
- 该模型在各种运动模式中表现出强烈的概括性.
结论:
- 拟议的Marker-GMformer模型为预测下肢力学提供了一个计算效率高,准确的解决方案.
- 它显示了实时监控和优化辅助机器人控制通过及时反显著的希望.
相关概念视频
06:36Lower Limb Biomechanical Analysis of Healthy Participants
05:52Lower-Limb Biomechanical Characteristics Associated with Unplanned Gait Termination Under Different Walking Speeds
06:53Influence of Step-Width Manipulation on Running Biomechanics
04:42In Vivo Biomechanical Testing of Nerve: A Procedure for Biomechanical Analysis of Brachial Plexus Nerve Injury in a Neonatal Pig Model
06:36Biomechanical Analysis Methods to Assess Professional Badminton Players' Lunge Performance
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia

