从动力和神经肌肉输入对膝关节机械学的基于机器学习的估计:使用CAMS-膝关节数据集的概念验证
Yara N Derungs1, Martin Bertsch1, Kushal Malla1
1Laboratory for Movement Biomechanics, ETH Zürich, 8092 Zürich, Switzerland.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
深度学习模型可以使用体内生物力学数据准确估计膝盖接触力 (KCF). 这种方法为个性化膝盖负载分析提供了传统模拟的可扩展替代方案.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 估计骨关节接触力对于了解膝关节健康和疾病至关重要.
- 传统的肌肉骨模型可能是计算密集的,需要大量的输入数据.
研究的目的:
- 调查使用深度学习模型在体内估计骨关节接触力的可行性.
- 为了比较不同的深度学习架构 (biLSTM-MLP和TCN) 对于膝盖接触力预测的性能.
主要方法:
- 使用CAMS-Knee数据集开发和评估了biLSTM-MLP和TCN模型.
- 采用一个留下一个主题的验证策略来进行可靠的绩效评估.
- 进行了留下一个特征的分析,以确定关键的预测变量.
主要成果:
- 在走路过程中,biLSTM-MLP模型在预测膝盖总接触力 (Ftot) 方面取得了很高的准确性 (RMSE:0.16 BW,R:0.98).
- 下肢动力学和地面反应力被确定为主要预测因素,而EMG数据的影响最小.
- 与biLSTM-MLP相比,TCN模型表现出更具变化的性能.
结论:
- 深度学习模型显示,对膝盖接触力进行准确和可扩展的估计具有显著的前景.
- 这种方法为传统方法提供了可靠的替代方案,用于个性化膝盖负荷评估.
- 这些发现支持对更大,更多样化的群体进行进一步的研究,以改进膝盖生物力学中的深度学习应用.
