相关实验视频
Updated: Mar 12, 2026
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.9K
单摄像头膝关节吸附时刻估计膝关节骨关节炎患者通过新型空间时间图形转换器网络
概括
一个新的单摄像头人工智能模型准确地估计了膝盖附加时刻 (KAM),这是膝盖关节炎的关键因素. 这项技术提供了一种可行的,低成本的解决方案,用于在临床环境中进行真实世界的步态分析和监测.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 准确的膝关节附加时刻 (KAM) 估计对于了解膝关节生物力学和管理中枢膝关节关节炎 (OA) 至关重要.
- 传统的基于实验室的运动捕捉系统是昂贵的,并且无法用于现实世界的应用.
- 使用多个传感器或摄像头的现有替代方法是复杂的,在OA患者的各种步态模式中缺乏验证.
研究的目的:
- 开发和验证一种新的空间时间图形变换器网络 (STGTN),用于使用单摄像头设置估计KAM.
- 评估模型的准确性和敏感性,以各种步态修改在中间隔膜膝关节OA的个体.
主要方法:
- 一个空间时间图形变换器网络 (STGTN) 已被开发用于KAM估计.
- 14名膝关节中部骨质炎患者接受了步态分析,并进行了修改 (速度,脚的进展,脚步宽度,干摇摆,双重任务).
- 模型的性能是使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 对既定值进行评估的.
主要成果:
- 该STGTN模型实现了0.48%BW·BH的KAM RMSE和0.43%BW·BH的KAM MAE峰值,这两者都在临床上可接受的范围内.
- 该模型对步态修改表现出显著的灵敏度,检测慢步,脚入步态,大步幅度和干摆动增加 (p<0.05) 期间的峰值KAM变化.
结论:
- 使用STGTN进行基于单摄像头的KAM估计是一种可行和准确的方法.
- 这种方法有可能在临床和康复环境中进行可访问的,现实世界的步态评估和监测,用于膝关节OA管理.
