-
题名基于深度相机和神经网络的下肢关节力矩估计
- 1
-
-
作者
高飞
王正陶
王冬梅
于随然
-
机构
上海交通大学机械与动力工程学院
-
出处
《医用生物力学》
CAS
CSCD
北大核心
2024年第3期450-456,共7页
-
基金
国家自然科学基金项目(82072042)。
-
文摘
目的 通过深度相机和神经网络估计人在直线行走时髋、膝和踝关节的屈伸力矩。方法 利用光学运动捕捉系统、测力板和Azure Kinect深度相机采集20个人的步态信息,受试者被要求以其偏好的步行速度直线行走,同时踏在测力板上。并利用Visual 3D仿真得到关节力矩作为参考值,分别训练人工神经网络(artificial neural network, ANN)模型与长短期记忆(long short-term memory, LSTM)模型进行关节力矩估计。结果 ANN模型估计髋、膝和踝关节的关节力矩的相对均方根误差(relative root mean square error, rRMSE)分别为15.87%~17.32%、18.36%~25.34%和14.11%~16.82%,相关系数分别为0.81~0.85、0.69~0.74和0.76~0.82。LSTM模型具有更好的估计效果,rRMSE分别为8.53%~12.18%、14.32%~18.78%和6.51%~11.83%,相关系数分别达到了0.89~0.95、0.85~0.91和0.90~0.97。结论 本文证实了利用深度相机和神经网络无接触估计人体下肢关节力矩方案的可行性,其中LSTM模型具有更佳的表现。关节力矩估计结果与现有研究相比具有更好的精度,潜在应用场景包含远程医疗、个性化康复方案制定以及矫形器辅助设计等。
-
关键词
深度相机
神经网络
下肢关节
力矩
生物力学仿真
-
Keywords
depth camera
neural network
lower limb joint
torque
biomechanical simulation
-
分类号
R318.01
[医药卫生—生物医学工程]
-
-
题名一种用于OpenSim的非线性缩放方法
- 2
-
-
作者
伍子豪
王正陶
马晓宇
王冬梅
-
机构
上海交通大学机械与动力工程学院
-
出处
《医用生物力学》
CAS
CSCD
北大核心
2023年第5期989-995,共7页
-
基金
国家重点研发计划项目(2019YFB1312501)。
-
文摘
目的提高OpenSim生物力学模型静态与动态配准精度,进而提高运动学和动力学参数计算的可靠性。方法通过位姿调整、构建插值函数,实现基于运动学实验数据的模型非线性缩放。使用两组公开实验数据(GC3和GC5)进行建模分析,计算模型肢段长度和关节作用力,并与解剖标记点缩放方法(anatomical landmark scale,ALS)和线性缩放方法的计算结果及实际测量值比对,验证方法的有效性。结果缩放所得模型的肢段长度与实际测量值的最大偏差14.74 mm,在文献给定范围(4.0±13.8)mm内;缩放和逆运动学计算的标记点误差满足OpenSim给定要求;计算所得关节接触力均方根误差(GC3:0.40 BW,GC5:0.34 BW)较ALS方法(GC3:0.64 BW)和OpenSim线性缩放方法(GC5:0.40 BW)小;蒙特卡洛分析结果同时表明,对于模型标记点初始位置的变化,该方法计算关节接触力误差范围更小,肢段长度波动小于5%。结论该非线性缩放方法可行,且在目前验证条件下可以提高OpenSim运动学和动力学建模效率及仿真分析结果的精度。
-
关键词
非线性缩放
个性化建模
模型配准
运动学
动力学
-
Keywords
nonlinear scale
personalized model
model matching
kinematics
kinetics
-
分类号
R318.01
[医药卫生—生物医学工程]
-
