
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于人工智能的生物力学建模在ACL重建膝关节中的应用:利用计算机视觉和深度学习预测膝关节接触力
《Journal of NeuroEngineering and Rehabilitation》:AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning
【字体: 大 中 小 】 时间:2026年03月13日 来源:Journal of NeuroEngineering and Rehabilitation 6.0
编辑推荐:
摘要背景接受前交叉韧带重建手术的患者容易出现骨关节炎或二次损伤,而异常的膝关节接触力被认为是导致关节退化的关键因素。传统的膝关节接触力评估依赖于昂贵的实验室设备,而计算机视觉和人工智能领域的进展则提供了低成本替代方案。不过,目前现有的方法过于简化了膝关节的运动机制,且忽略了患者的
接受前交叉韧带重建手术的患者容易出现骨关节炎或二次损伤,而异常的膝关节接触力被认为是导致关节退化的关键因素。传统的膝关节接触力评估依赖于昂贵的实验室设备,而计算机视觉和人工智能领域的进展则提供了低成本替代方案。不过,目前现有的方法过于简化了膝关节的运动机制,且忽略了患者的代偿性动作,这就凸显出亟需智能化的实时监测工具来为患者提供个性化康复方案。因此,本研究旨在开发并验证一种集成式的、无创的框架,用于准确预测ACLR患者在日常活动中的膝关节接触力。我们假设,将改进的肌肉骨骼建模与包含时空注意力的深度学习架构相结合,能够提升多种运动任务下的预测精度。
本研究使用Vicon和OpenCap同时记录了29名ACLR术后患者的三种日常活动动作。通过Vicon捕获的动作轨迹被导入OpenSim中,用于进行肌肉骨骼建模和膝关节接触力计算。随后,利用从OpenCap获取的运动学数据以及OpenSim计算出的膝关节接触力数据,训练了3种学习模型,用以预测ACLR患者在不同运动状态下的膝关节接触力。
在三种模型中,CNN-BiGRU-Attention模型在所有三种运动任务中的预测性能最佳(步行R2值为0.973±0.003,跑步R2值为0.982±0.004,下楼梯R2值为0.951±0.007)。CNN和自注意力机制共同提升了模型捕捉ACLR患者运动数据中关键特征的能力,进而提高了膝关节接触力的预测精度。此外,在这三种日常活动中,所有模型在跑步和下楼梯任务中的膝关节接触力预测性能都优于步行任务。
所开发的框架成功实现了对膝关节接触力的高精度预测。这一技术突破不仅为ACLR患者的康复监测提供了实时定量工具,还推动了分析方式从静态实验室分析向动态实时监测的转变,其在运动医学和康复工程领域具有广阔的应用前景。
接受前交叉韧带重建手术的患者容易出现骨关节炎或二次损伤,而异常的膝关节接触力被认为是导致关节退化的关键因素。传统的膝关节接触力评估依赖于昂贵的实验室设备,而计算机视觉和人工智能领域的进展则提供了低成本替代方案。不过,目前现有的方法过于简化了膝关节的运动机制,且忽略了患者的代偿性动作,这就凸显出亟需智能化的实时监测工具来为患者提供个性化康复方案。因此,本研究旨在开发并验证一种集成式的、无创的框架,用于准确预测ACLR患者在日常活动中的膝关节接触力。我们假设,将改进的肌肉骨骼建模与包含时空注意力的深度学习架构相结合,能够提升多种运动任务下的预测精度。
本研究使用Vicon和OpenCap同时记录了29名ACLR术后患者的三种日常活动动作。通过Vicon捕获的动作轨迹被导入OpenSim中,用于进行肌肉骨骼建模和膝关节接触力计算。随后,利用从OpenCap获取的运动学数据以及OpenSim计算出的膝关节接触力数据,训练了3种学习模型,用以预测ACLR患者在不同运动状态下的膝关节接触力。
在三种模型中,CNN-BiGRU-Attention模型在所有三种运动任务中的预测性能最佳(步行R2值为0.973±0.003,跑步R2值为0.982±0.004,下楼梯R2值为0.951±0.007)。CNN和自注意力机制共同提升了模型捕捉ACLR患者运动数据中关键特征的能力,进而提高了膝关节接触力的预测精度。此外,在这三种日常活动中,所有模型在跑步和下楼梯任务中的膝关节接触力预测性能都优于步行任务。
所开发的框架成功实现了对膝关节接触力的高精度预测。这一技术突破不仅为ACLR患者的康复监测提供了实时定量工具,还推动了分析方式从静态实验室分析向动态实时监测的转变,其在运动医学和康复工程领域具有广阔的应用前景。