用人工智能驱动的ACL重建膝盖的生物力学建模:通过计算机视觉和深度学习预测膝关节关节接触力
Tianxiao Chen1, Zhifeng Zhou1, Datao Xu2
1Faculty of Sport Science, Ningbo University, Ningbo, 315211, China.
Journal of neuroengineering and rehabilitation
|March 12, 2026
概括
这项研究开发了一种AI框架,用于准确预测前十字带重建患者在日常活动期间的膝盖接触力. 该模型可以实时监控个性化康复和伤害预防.
科学领域:
- 生物力学 生物力学
- 人工智能的人工智能
- 运动医学 运动医学
背景情况:
- 前十字带重建 (ACLR) 患者面临骨关节炎和二次损伤的高风险,原因是膝盖接触力异常 (KCF).
- 目前的KCF评估方法是基于实验室和昂贵的,而人工智能驱动的替代方案往往过于简化了膝盖力学.
- 需要智能,实时监控工具来进行个性化的ACLR康复.
研究的目的:
- 开发和验证一个综合的,非侵入性框架,用于在日常活动期间在ACLR患者中准确预测KCF.
- 利用增强的肌肉骨建模和深度学习架构,以时空关注来提高预测准确度.
- 通过实时提供对膝关节负荷的定量反来实现个性化康复.
主要方法:
- 使用Vicon和OpenCap系统,在每天三次运动中同时捕捉29名ACLR后患者的运动.
- 在OpenSim中使用Vicon数据进行KCF计算的肌肉骨建模.
- 训练三个深度学习模型 (包括CNN-BiGRU-Attention) 用OpenCap动力学和OpenSim-KCFs数据进行预测.
主要成果:
- 在CNN-BiGRU-Attention模型中,在步行 (R2=0.973),跑步 (R2=0.982) 和下楼梯 (R2=0.951) 方面,KCF的预测性能高.
- CNN和自我注意力机制有效地捕捉了运动特征,提高了KCF预测的准确性.
- 与步行相比,模型在跑步和下楼梯任务中展示了优异的KCF预测性能.
结论:
- 开发的框架为ACLR患者提供了高精度的KCF实时预测.
- 这项创新将康复监测从静态实验室分析转变为动态的实时评估.
- 该框架在体育医学和康复工程中具有广泛的应用,用于个性化患者护理.
