基于轻量级FNN-AE混合模型的高保真步态数据生成及其在生物力学中的应用验证

本文提出一种轻量级混合模型（FNN-AE），通过集成前馈神经网络与自编码器，有效生成高保真步态数据，解决了生成对抗网络（GAN）等传统方法计算复杂度高、训练不稳定的问题。该模型在保持较低参数量的同时，生成数据经OpenSim平台验证具备良好的生物力学合理性，为临床步态分析、康复工程及运动科学研究提供了高效可靠的合成数据解决方案。

　　

Highlight

这项研究的亮点在于提出了一种创新的轻量级混合深度学习框架（FNN-AE），能够高效生成具有高生物力学真实性的步态数据。该框架显著降低了计算资源需求，并通过物理验证（牛顿运动定律）和OpenSim仿真平台确保了生成数据的合理性与可用性。

Methods

本研究提出了一种基于轻量级生成模型的步态数据生成方法。该架构核心包含两个部分：前馈神经网络（FNN）作为生成器，以及一个轻量级自编码器（Autoencoder）用于数据 refinement（ refinement）。整个设计旨在模型复杂性、资源效率和数据保真度之间取得最佳平衡。我们还采用了OpenSim仿真平台对所生成数据的生物力学合理性进行建模与验证。

Results

本节基于GaitRec数据集对我们的模型进行了全面的性能分析。我们采用均方根误差（RMSE）和确定系数（R²）作为标准评估指标来衡量模型性能。文章展示了经过 refinement 的生成数据、原始真实数据以及未经 refinement 的生成数据的可视化对比。此外，我们还提供了详尽的模型性能比较结果。表1列出了我们用于模型验证的实验配置。

Discussion

结果表明，我们提出的轻量级FNN-AE框架能够有效生成逼真的步态数据，同时将计算成本降至最低。高R²值和低RMSE值表明，自编码器成功地将FNN的初始输出进行 refinement，使其更贴近真实步态的特征。生成数据在统计特性上得以保持，并且符合生物力学阈值，这共同证实了其高度的真实性。

Conclusion

总而言之，本研究通过结合FNN生成器、用于 refinement 的轻量级自编码器以及基于牛顿运动定律的物理验证步骤，提出了一种新颖的步态数据生成框架。其所选择的简洁架构有效应对了现实世界中的诸多限制，例如数据可用性有限和计算资源受限，同时其生成的输出仍具有足够的真实性，可广泛应用于生物力学、康复机器人及临床步态分析等领域。