基于先验知识轻量化Marker-GMformer的下肢生物力学连续预测新方法

《Cyborg and Bionic Systems》:Continuous Lower Limb Biomechanics Prediction via Prior-Informed Lightweight Marker-GMformer

【字体: 大 中 小 】 时间:2026年01月17日 来源:Cyborg and Bionic Systems 18.1

编辑推荐:

  本研究针对传统下肢生物力学仿真依赖测力台、计算复杂且泛化能力差的问题,提出了一种基于标记点轨迹的轻量化深度学习模型Marker-GMformer。该模型通过整合人体解剖先验知识,并有效捕捉标记点坐标时间序列的局部-全局和时空特征,实现了对13种运动模式下下肢多关节运动学(角度)、动力学(力矩)和三维地面反作用力(GRFs)的高效、精准连续预测。预测结果与基于OpenSim的 musculoskeletal multibody dynamics simulation (MMDS) 和测力台测量值高度一致(平均Pearson相关系数ρ≥0.97,均方根误差RMSE:角度1.95°,GRFs 0.036 BW,力矩0.099 N·m/kg),同时模型计算复杂度低(FLOPs 73.70 M,参数量3.84 M),在嵌入式设备上推理时间仅12.51 ms,为辅助机器人实时控制和人机交互提供了关键技术支撑,具有重要的应用前景。

  
想象一下,一位因脊髓损伤而行动不便的人,正借助一款智能外骨骼机器人进行康复训练。这款机器人的“大脑”需要实时感知使用者的运动意图,并精确计算出需要施加多大的辅助力量。传统的解决方案依赖于复杂的生物力学仿真软件和昂贵的测力台,不仅响应速度慢,而且受限于实验室环境,难以在日常生活中广泛应用。这正是当前下肢辅助机器人(如外骨骼、智能假肢)实时控制面临的核心挑战之一。
传统的 musculoskeletal multibody dynamics simulation (MMDS) 方法,例如使用OpenSim或AnyBody软件,虽然能够非侵入性地估算人体内部的骨骼、肌肉和关节的力学行为,但其流程复杂、计算负载高,并且严重依赖测力台来测量地面反作用力(GRFs)。测力台的使用存在诸多局限:受试者需要以特定步态踩在固定位置的力台上,这影响了步态的自然性;对于下肢存在畸形的受试者更是难以实现有效接触;而且力台通常只能安装在实验室中,限制了其应用场景。此外,现有的许多基于机器学习的方法往往只预测孤立的生物力学变量(如仅预测关节角度或仅预测GRFs),或者仅在有限的几种运动模式(如行走、跑步)下进行验证,模型的泛化能力不足,难以满足辅助机器人应对现实生活中多样化的功能性任务的需求。
为了解决这些瓶颈,一项发表在《Cyborg and Bionic Systems》上的研究提出了一种创新的解决方案:Marker-GMformer模型。这项研究旨在开发一种轻量化的混合深度学习架构,能够仅凭运动捕捉(Mocap)系统中的标记点(Marker)轨迹数据,即可连续、高效地预测整个步态周期中下肢的多关节运动学(髋、膝、踝关节角度)、关节动力学(力矩)以及三维地面反作用力(GRFs),并且 across 13种不同的运动模式。
为了开展这项研究,研究人员利用了一个公开的下肢生物力学数据集,该数据集包含了12名健康受试者在13种运动模式(包括不同速度的行走、斜坡行走、跑步、深蹲、上下楼梯、台阶踏步、垂直跳跃和连续跳跃等)下的运动学数据和GRF数据。标记点轨迹由Vicon运动捕捉系统(200 Hz)记录,GRF由测力台和仪器化跑步机(1000 Hz)采集。研究人员选取了16个关键解剖标志点上的标记点三维坐标作为模型输入。通过OpenSim gait2354模型进行逆运动学和逆动力学仿真,得到了左侧下肢的关节角度和力矩作为模型训练的真实值(Ground Truth)。
研究团队提出的Marker-GMformer模型是其核心创新所在。该模型的设计巧妙地将先验知识(人体下肢解剖结构)与数据驱动特征学习相结合。模型主要由空间块(Spatial Block)和时间块(Temporal Block)构成。空间块包含JM-GCN和TM-GCN模块,整合了图卷积网络(GCN)和多层感知器(MLP)。GCN部分利用预先构建的邻接矩阵编码了下肢骨骼的物理连接关系(如骨盆-髋-膝-踝-趾的连接以及左右对称关节的连接),从而能够提取标记点之间符合解剖结构的局部空间相关性。MLP部分则分别负责整合不同标记点在同一时间步的交互信息以及每个标记点自身时间序列的全局上下文特征。时间块则基于改进的Transformer架构,采用了ProbSparse自注意力机制,有效降低了处理长时间序列时的计算复杂度,并能够捕捉长程时间依赖关系。此外,模型采用了转置嵌入策略,将每个标记点的整个时间序列视为一个令牌(Token),使得模型能够灵活适应不同长度的输入序列,并进一步减少了计算量。这种设计使得Marker-GMformer在保持高精度的同时,实现了轻量化和高效率。
研究结果充分验证了Marker-GMformer的卓越性能。 across all 13种运动模式,模型对所有目标变量(3维GRFs,髋、膝、踝关节的矢状面角度和力矩,共9个变量)的预测结果与MMDS及测力台测量值相比,均表现出极高的相关性(平均Pearson相关系数ρ ≥ 0.97)和低误差(平均均方根误差RMSE:GRFs为0.036倍体重(BW),关节力矩为0.099 N·m/kg,关节角度为1.95°;平均绝对误差MAE:GRFs为0.020 BW,力矩为0.060 N·m/kg,角度为1.28°)。特别是在行走、斜坡行走和跑步等周期性运动中,预测曲线与真实值在整个步态周期内高度吻合。
滑动窗口大小和步长对预测精度的影响
研究人员探讨了输入序列长度(回溯长度T,即滑动窗口大小)对性能的影响。结果表明,当T=48个时间步(240毫秒)时,模型达到最佳预测性能。过短(T=24)或过长(T=72, 96)的窗口都会导致性能下降,说明存在一个最优的时序信息长度。同时,滑动窗口的步长(stride)越小(即窗口重叠度越高),预测精度越高,步长为1(最大重叠)时性能最佳,因为更密集的采样能更好地捕捉快速变化的动力学特征。
跨运动模式的泛化性能
模型在13种运动模式上均展现了强大的泛化能力。虽然在深蹲、垂直跳和连续跳等高动态、非周期性任务中,对前后向地面反作用力(APGRF)和髋关节力矩的预测精度相对略有下降(ρ 在0.50-0.78之间),但对其他变量以及所有运动模式下的运动学变量预测均保持优异(ρ > 0.95)。这表明Marker-GMformer能够稳健地适应多样化的功能性运动。
消融实验与模型对比
消融研究表明,移除空间块或时间块中的任何关键组件(如GCN或MLP)都会导致性能显著下降,尤其是空间块的贡献更为关键,证实了整合解剖先验知识的重要性。与多种先进的深度学习模型(如Transformer, Informer, iTransformer, TimesNet, DLinear等)相比,Marker-GMformer在预测精度和计算复杂度之间取得了最佳平衡,在各项指标上均优于或相当于对比模型,同时参数量(3.84 M)和浮点运算次数(FLOPs, 73.70 M)相对较低。
模型可解释性
通过GNNExplainer对GCN层的分析显示,模型学习到的空间特征与人体解剖结构高度一致,例如骨盆节点关注骨盆环的连接,膝关节节点关注大腿-小腿的链条式连接。对ProbSparse自注意力权重的可视化表明,不同的注意力头会专注于不同的关键标记点(如骨盆、膝、踝),表现出功能多样性,实现了对关键时空信息的稀疏且有效的关注。
部署可行性
在实际部署测试中,Marker-GMformer在笔记本电脑(CPU: Intel i7-14650HX, GPU: RTX 5060)上的平均推理时间仅为2.80毫秒/次,在嵌入式平台Jetson Xavier NX上也达到12.51毫秒/次,证明了其具备实时或近实时应用的潜力,为在辅助机器人控制系统中的集成提供了可能。
综上所述,这项研究成功开发了Marker-GMformer这一基于标记点轨迹的下肢生物力学连续预测新方法。该模型通过巧妙融合解剖先验知识与深度学习,实现了对多维度生物力学变量的高精度、高效率预测,并展现出强大的跨运动模式泛化能力。其轻量化设计和快速的推理速度使其非常适合于需要实时反馈的应用场景,如辅助机器人的控制、临床步态分析的实时化以及运动员运动表现的实时监测。尽管目前该方法依赖于光学运动捕捉系统,限制了其在无约束室外环境的应用,但未来可通过适配基于视觉或惯性测量单元(IMU)的无标记点运动捕捉技术,进一步拓展其应用边界。这项研究为突破传统生物力学仿真的局限,推动实时人机交互技术的发展迈出了坚实的一步,具有重要的科学意义和应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号