基于深度学习的楼梯行走地面反作用力及压力中心预测

目的地面反作用力(GRFs)及足底压力中心(COPs)是生物力学动力学分析以及姿势控制研究的重要指标。在楼梯行走中需要使用配备至少两块测力台的特制楼梯采集完整的GRF和COP数据。该楼梯并非标准配置,且在实验室外场景也较难实现。因此,本研究将基于深度学习算法开发GRF和COP估算模型,使得在没有测力台的情况下能够进行楼梯行走的动力学分析。方法基于一维卷积神经网络(CNN)架构构建了一个深度学习模型,使用运动学数据作为输入来估算楼梯行走任务中的三维GRFs和二维COPs。构建了一个大型数据集训练该模型,包括从172名受试者中采集到的3782个楼梯行走实验数据。受试者包括健康人、膝骨性关节炎患者以及中高风险心血管疾病患者。使用十折交叉验证来评估模型的性能。通过比较测试集中整个步态周期估算的GRFs和COPs与测力台金标准数据得出的归一化均方根误差(n RMSE)来评估模型性能。结果所建模型在上下楼梯任务中达到了最先进的估计性能,其中三维GRFs和二维COPs的n RMSE分别为2.525%~7.518%和5.012%~19.434。结论所建模型基于运动学数据,在估计上下楼梯任务中的地面反作用力(GRFs)和压力中心(Co Ps)方面达到了最先进的准确性,可以满足临床使用或生物力学研究的要求。使用本研究提出的模型,可以在不配备测力台的楼梯行走场景中估计上下楼梯时的GRFs和Co Ps。