基于稀疏惯性测量单元与目标受试者自适应的多关节多平面下肢力矩预测

《Frontiers in Bioengineering and Biotechnology》:Multi-joint and multi-planar lower-limb moment prediction from four inertial measurement units with target-subject adaptation

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Bioengineering and Biotechnology 5.8

编辑推荐:

  摘要 引言: 准确且连续地预测多平面下肢关节力矩对于临床康复、运动科学及辅助装置设计至关重要。然而,金标准方法依赖于笨重、昂贵且局限于实验室的设备,而现有的可穿戴解决方案往往仅限于单关节或单平面预测,或需要难以适用于日常生活的密集传感器阵列。 方法: 为克服上

  
摘要 引言: 准确且连续地预测多平面下肢关节力矩对于临床康复、运动科学及辅助装置设计至关重要。然而,金标准方法依赖于笨重、昂贵且局限于实验室的设备,而现有的可穿戴解决方案往往仅限于单关节或单平面预测,或需要难以适用于日常生活的密集传感器阵列。 方法: 为克服上述限制,本研究提出一种端到端的多任务时间卷积网络框架。该框架仅使用稀疏布置于骨盆及下肢的四个惯性测量单元(IMU),即可同时预测五个连续关节力矩:冠状面上的髋关节与膝关节力矩,以及矢状面上的髋、膝、踝关节力矩。硬参数共享的时间卷积骨干网络提取跨关节时间特征,而逐点通道注意力机制实现任务特异性特征重加权。自适应批归一化(AdaBN)进一步利用10秒无标签平地行走数据实现目标受试者自适应。研究在14名受试者执行平地行走、上楼梯及下楼梯任务中,采用嵌套的受试者级留一受试者交叉验证对模型进行评估。 结果: 在未进行目标受试者自适应的模型中,所提模型取得了最高的数值总体R2,并显著优于六个外部基线模型中的四个;AdaBN进一步将总体R2提升至0.759 ± 0.032。消融实验表明,硬参数共享、逐点通道注意力及AdaBN分别使总体R2提升ΔR2 = 0.017、0.026和0.032(所有Holm校正p < 0.05)。在独立公开数据集上的补充评估中,四个关节力矩目标的R2值介于0.704至0.840之间。 讨论: 上述发现证明了在受控实验室条件下,采用稀疏可穿戴传感器配置进行连续多关节、多平面力矩预测的可行性,并支持在更大规模、临床多样化队列及实验室外场景中开展进一步评估。
基于稀疏IMU配置的多关节多平面下肢力矩预测研究解读
一、研究背景与问题
下肢关节力矩量化了肌肉骨骼系统对抗外部载荷的力学输出,是评估人体运动过程中关节内部软组织受力情况的关键指标。在临床与康复医学中,关节力矩为膝骨关节炎等慢性肌肉骨骼疾病的进展评估与康复监测提供了重要依据;在运动科学中,其量化有助于动作优化与运动损伤预防;在辅助康复装置设计中,关节力矩数据可用于优化控制策略并促进人机协同。
目前测量下肢关节力矩的金标准方法依赖光学动作捕捉系统与测力台采集运动学与动力学数据,再通过逆动力学算法或肌肉骨骼模型进行计算。然而,该方法依赖昂贵设备、繁琐的系统校准流程及计算复杂的肌肉骨骼建模,基本局限于受控实验室环境。此外,受试者在实验室环境中往往会下意识地改变步态,导致基于实验室的评估缺乏足够的生态效度,难以真实反映日常持续机械载荷下的自然步态特征。
现有可穿戴解决方案存在多重局限。多数研究仅针对单一关节进行预测,但人体步态源于多关节协调运动,仅分析单一关节力矩会遗漏整个肢体的代偿模式,可能使筛查与评估产生偏倚。部分研究尝试同时预测髋、膝、踝矢状面力矩以捕捉多关节协同,但仍局限于矢状面,无法满足临床对多平面动力学信息的需求。以膝骨关节炎为例,患者会在膝关节矢状面与冠状面之间以及各关节之间重新分配载荷以缓解疼痛,同时髋关节冠状面力矩出现异常、踝关节推进力发生变化。此外,既往多关节多平面预测研究多依赖步态分割与时间归一化输入,限制了实时连续预测的适用性。跨受试者泛化是另一挑战,留一受试者评估下预测性能明显下降,而监督式迁移学习需要目标受试者的参考力矩标签,限制了实际应用。
二、研究内容与结论
针对上述任务层面与跨受试者层面的挑战,研究人员开发了一种基于稀疏四IMU配置的多任务可穿戴框架,用于平地行走、上楼梯和下楼梯过程中五个下肢关节力矩的连续预测,包括髋关节和膝关节的矢状面与冠状面力矩以及踝关节矢状面力矩。该框架的核心方法学贡献在于将跨多个关节力矩目标的共享时间学习、针对个体力矩预测的任务特异性特征重加权以及无需标签的新受试者自适应统一于一个面向任务的框架中。具体而言,硬共享的因果时间卷积网络(TCN)学习跨预测目标的公共时间特征,任务特异性逐点通道注意力对共享特征进行重加权以适应各关节力矩,基于AdaBN的自适应流程仅使用10秒无标签目标受试者行走数据即可重新校准特征统计量。
研究招募了14名健康受试者(9男5女;年龄24.8 ± 3.0岁;身高172.7 ± 10.6 cm;体重66.3 ± 8.5 kg),均无神经或肌肉骨骼疾病史。实验在配备10台红外摄像机和四块嵌入式三维测力台的标准生物力学实验室中进行。四个IMU分别佩戴于骨盆、右大腿、右小腿和右足背,仅使用三轴加速度与角速度作为模型输入,共24个通道。参考关节力矩通过OpenSim 4.5中的Rajagopal等人(2016)全身体肌肉骨骼模型计算,并额外引入膝关节内收/外展独立旋转自由度以计算冠状面膝关节力矩。模型采用嵌套受试者级留一受试者交叉验证评估,外层为14折,每折留出一名受试者作为独立测试对象。
研究结果表明,所提出的AdaBN-MTCN-Attn框架在三种运动模式下均表现出稳定的预测性能。总体而言,模型在平地行走时取得最高R2 = 0.781 ± 0.078,其次为下楼梯(R2 = 0.764 ± 0.063)和上楼梯(R2 = 0.729 ± 0.061)。跨三种运动模式和五个预测目标,AdaBN-MTCN-Attn实现了总体R2 = 0.759 ± 0.032和总体RMSE = 0.136 ± 0.014 N·m/kg。在矢状面力矩预测中,踝关节背屈/跖屈力矩表现最佳(R2 = 0.822–0.858),而髋关节屈/伸力矩相对较低(R2 = 0.601–0.648)。冠状面力矩中,髋关节内收/外展力矩(R2 = 0.707–0.870)总体预测精度高于膝关节内收/外展力矩(R2 = 0.629–0.785)。所有15个关节-任务组合的R2均高于0.60。
与六个外部基线模型(LSTM、Kinetics-FM-DLR-Net、XCM、Attention CNN-BiLSTM、TCN-BiLSTM、TCN-xLSTM)的比较中,未进行目标受试者自适应的MTCN-Attn取得了最高的数值总体R2(0.727 ± 0.049),经Holm校正后显著优于LSTM、XCM、TCN-BiLSTM和TCN-xLSTM,与Kinetics-FM-DLR-Net和Attention CNN-BiLSTM的差异未达统计显著。引入AdaBN后总体R2进一步提升至0.759 ± 0.032。模型仅含53.4 K可训练参数,每输入窗口需5.50 M MACs,单窗口推理延迟为1.672 ± 0.146 ms。
消融实验通过逐步引入各组件评估其贡献。从五个独立TCN(ST-TCN,R2 = 0.684 ± 0.050)到硬共享TCN骨干(MT-TCN,R2 = 0.701 ± 0.041),总体R2提升ΔR2 = 0.017 [95% CI: 0.006, 0.028](Holm校正p = 0.021)。进一步引入逐点通道注意力(MTCN-Attn,R2 = 0.727 ± 0.049),相对MT-TCN提升ΔR2 = 0.026 [0.011, 0.040](p = 0.021)。最后引入AdaBN(AdaBN-MTCN-Attn,R2 = 0.759 ± 0.032),相对MTCN-Attn提升ΔR2 = 0.032 [0.015, 0.058](p = 0.021)。三个组件均带来统计显著的性能提升。
在独立公开数据集(Camargo et al., 2021,包含22名受试者的平地行走、上楼梯和下楼梯数据)上的补充评估中,模型在四个关节力矩目标上取得R2 = 0.704–0.840,验证了框架的跨数据集泛化能力。
三、讨论与结论
研究结果表明,采用稀疏可穿戴传感器配置在受控实验室条件下实现连续多关节、多平面力矩预测是可行的。硬参数共享机制使网络低层在统一特征空间中学习跨关节运动链的通用物理规律,同时显著减少参数量并降低过拟合风险;逐点通道注意力使各预测分支能够根据当前步态相位动态筛选最具判别力的特征子空间;AdaBN仅需10秒无标签自然行走数据即可完成目标受试者自适应,无需参考力矩标签,为实际部署提供了一种简便的校准策略。模型的计算效率(53.4 K参数、5.50 M MACs/窗口、1.672 ms推理延迟)满足可穿戴边缘设备的实时推理需求。
研究结论支持在更大规模和临床多样化队列以及实验室外场景中进一步评估该框架。未来研究可探索将该方法应用于膝骨关节炎等临床人群的筛查与康复监测,以及在自然环境中进行长期连续监测的可行性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号