基于可穿戴设备与域适应LSTM算法的跑步者足部骨应力数字孪生预测模型研究

为解决跑步运动中因重复负荷导致的足部骨应力损伤问题，研究人员开发了一种结合个性化3D足部建模、有限元(FE)仿真和域适应长短期记忆(LSTM)算法的数字孪生系统。通过50名跑者（后足与非后足着地者）的惯性传感器(IMU)数据，该模型实现了对跖骨(M1-M5)、跟骨和距骨在中立期与推进期骨应力的高精度预测（RMSE<8.35 MPa）。这项非侵入性技术为跑步损伤预防提供了精准化解决方案，推动了数字健康在运动医学中的应用。

　　

跑步作为全球流行的运动方式，却因重复冲击负荷导致高达77%的跑者遭遇下肢骨应力损伤，其中跖骨应力性骨折占比达4%。传统骨应力监测依赖侵入性应变片或简化生物力学模型，难以捕捉真实运动中的复杂力学交互。针对这一难题，宁波大学联合新西兰奥克兰大学的研究团队在《npj Digital Medicine》发表研究，创新性地将可穿戴传感器、个性化有限元仿真与深度学习结合，构建了首个足部骨应力动态预测数字孪生系统。

研究团队采用三大核心技术：1）基于统计形状建模(SSM)和自由变形(FFD)的50例跑者个性化足踝3D重建；2）九轴惯性传感器(IMU)同步采集跑步加速度数据；3）域适应LSTM神经网络融合生物力学特征与传感器数据。通过留一法交叉验证，模型在预测关键骨区应力时展现出临床级精度。

个性化建模与验证
通过足部扫描生成参数化SSM模型，结合FE仿真验证了垂直压缩变形关系与实验数据的一致性（误差<0.01 MPa），建立了可靠的骨-软组织耦合力学模型。

传感器数据驱动预测
LSTM+MLP架构在六种候选模型中表现最优，对中立期跖骨平均应力的预测RMSE为1.24-2.16 MPa，推进期峰值应力预测误差显著低于均值（MAPE 11.45% vs 16.17%），证实模型更擅长捕捉损伤相关的极端负荷。

步态模式适应性分析
域适应技术使模型对后足与非后足着地跑者均保持稳定性能（p>0.05），仅个别跖骨在中立期存在差异（M1/M4应力误差p<0.05），揭示了步态差异对骨应力的非线性影响。

该研究首次实现了从可穿戴数据到内部骨应力的端到端预测，突破传统生物力学"黑箱"。通过数字孪生技术将计算成本降低90%，为运动损伤预防提供了实时监测工具。讨论部分指出，模型对峰值应力的敏感性与疲劳损伤理论高度吻合，但需进一步纳入鞋履变量和女性队列验证。这项跨学科成果标志着个性化运动医学从实验室走向日常应用的里程碑，为开发智能跑步辅助系统奠定理论基础。