一种基于多惯性传感器融合的新型多图结构引导的人类下肢生理负荷估算方法，用于行走过程中

《Information Fusion》：A novel multi-graph-structure guided human lower-limb physiological load estimation method based on multi-inertial-sensors fusion during walking

可穿戴设备结合多传感器融合深度学习模型实现膝关节加减速矩高精度稳定测量，创新性提出多粒度编码、步态引导图学习、双粒度去噪增强及多任务学习策略，在IMU-Phone和IMU-KAM数据集上较现有方法提升5.44%精度和39.76%稳定性。

　　随着可穿戴技术的不断发展，其在人体生理信息测量方面的应用也逐渐深入，尤其是在健康监测领域展现出巨大的潜力。膝关节外展力矩（KAM）作为衡量下肢生理负荷的重要指标，常用于评估膝关节骨关节炎（KOA）的风险。然而，传统的KAM测量方法依赖于压力平台和光学运动捕捉系统来采集关节运动学数据，这些设备不仅成本高昂，而且操作复杂，限制了其在实际应用中的广泛使用。为了克服这些限制，研究人员开始探索基于可穿戴设备和深度学习技术的新方法，以实现更高效、经济且稳定的KAM测量。

本文提出了一种名为MeaKAM的深度学习方法，旨在构建一个稳健的KAM估计框架，以支持后续的临床和生物力学研究。MeaKAM采用多惯性传感器融合技术，结合了深度学习的优势，能够有效处理复杂的人体运动数据。通过引入多粒度编码器（MGE）模块、步态引导图学习（GGL）模块以及双粒度去噪增强（DDE）模块，MeaKAM能够在不同时间尺度上提取步态特征，从而提高估计的准确性与稳定性。此外，该方法还结合了多任务学习策略，进一步增强了模型的泛化能力。

MeaKAM的核心在于其对步态数据的多粒度处理能力。传统的步态分析方法通常关注单一的时间尺度，而MeaKAM则通过分解步态过程为大粒度（全局步态趋势）、中粒度（步级趋势）和小粒度（微小波动）三个层次，全面捕捉人体运动的动态变化。这种多粒度的处理方式能够更细致地反映人体运动状态下的关节负荷变化，从而提高KAM估计的精度。例如，在Dataset IMU-Phone和IMU-KAM上的实验结果显示，MeaKAM在均方误差（MSE）方面分别达到了0.29% BW × BH和1.47% BW × BH，相较于当前最先进的方法（SOTA）提升了5.44%。在平方偏差抖动（Squared Deviation jitter）指标上，MeaKAM的表现也显著优于其他方法，达到了1.95 × 10??，相较于SOTA提升了39.76%。

为了进一步验证MeaKAM的性能，本文进行了广泛的实验，包括消融实验、可解释性分析、计算成本评估、其他下肢负荷指标的测试、传感器配置研究以及临床验证。这些实验不仅证明了MeaKAM在不同应用场景下的有效性，还展示了其在实际数据处理中的稳健性。例如，在消融实验中，研究人员通过移除各个模块来评估其对整体性能的影响，结果表明每个模块对模型的性能都有重要贡献。此外，通过可视化实验，研究人员能够直观地展示模型在不同时间尺度上的特征提取能力，从而增强其可解释性。

MeaKAM的另一个重要创新点在于其引入的步态引导图学习（GGL）模块。该模块通过构建传感器图、方向图和时间图三种结构，显式地建模传感器之间的依赖关系、方向信息以及时间序列的变化。这种结构化的图学习方法不仅能够捕捉局部关节之间的关系，还能够反映全局骨骼结构和运动模式，从而提高模型对复杂运动数据的处理能力。与传统的卷积或循环神经网络（RNN）相比，GGL模块能够在更广泛的上下文中提取特征，为KAM估计提供了更全面的信息支持。

在去噪增强方面，MeaKAM采用了双粒度去噪增强（DDE）模块，该模块利用大粒度和小粒度的KAM趋势特征来指导中粒度的KAM估计。通过这种方式，模型能够在不同时间尺度上进行特征细化，使其更符合真实数据的分布特性。DDE模块的引入显著提升了模型在复杂环境下的稳定性，尤其是在面对噪声干扰或数据缺失的情况下，能够更有效地保持估计结果的一致性。

除了技术上的创新，MeaKAM还具有重要的实际应用价值。随着可穿戴设备的普及，越来越多的研究开始关注如何利用这些设备进行实时的步态分析和生理负荷评估。MeaKAM不仅能够提供高精度的KAM估计，还能够适应不同类型的传感器配置和数据采集方式，为未来的临床应用和个性化健康监测提供了坚实的基础。此外，MeaKAM的开源代码和数据集也为其他研究人员提供了宝贵的资源，促进了该领域的进一步发展。

在实验结果方面，MeaKAM在多个公开和私有数据集上均表现出色。特别是在Dataset IMU-Phone和IMU-KAM上的测试中，MeaKAM在相关系数（correlation coefficient）指标上分别达到了92.68%和79.24%，相较于SOTA方法提升了8.23%。这些结果表明，MeaKAM不仅在准确性上优于现有方法，而且在稳定性方面也有显著的提升。此外，通过与其他方法（如LSTM-Fusion和Kinetics-FM-Net）的对比实验，研究人员进一步验证了MeaKAM的优势。例如，在均方误差（MSE）指标上，MeaKAM相较于LSTM-Fusion模型提升了38.2%，这表明其在捕捉步态动态变化方面具有更强的能力。

本文的研究成果对于可穿戴设备在健康监测领域的应用具有重要意义。KAM作为评估膝关节负荷的重要指标，其准确测量对于早期识别KOA风险、制定个性化康复方案以及优化运动训练计划都具有重要的指导作用。MeaKAM的提出不仅为KAM估计提供了一种新的解决方案，还展示了多传感器融合和深度学习技术在生物力学分析中的巨大潜力。未来，随着更多数据的积累和算法的优化，MeaKAM有望在更广泛的临床和研究场景中得到应用，为改善人类健康和运动表现提供有力支持。

总之，本文提出的MeaKAM模型在KAM估计方面取得了显著的进展。通过多粒度编码、图学习和去噪增强等关键技术的结合，MeaKAM不仅提高了估计的准确性，还增强了模型的稳定性。此外，其多任务学习策略进一步提升了模型的泛化能力，使其能够适应不同类型的步态数据和传感器配置。实验结果表明，MeaKAM在多个数据集上的表现均优于现有方法，为可穿戴设备在健康监测和运动分析中的应用提供了新的思路和技术支持。随着可穿戴技术的不断发展，MeaKAM有望成为未来研究和应用的重要工具，为人类健康和运动科学的进步做出贡献。