基于 TDNN 的下肢运动学与表面肌电踝角预测

《Bioengineering》：TDNN-Based Ankle Angle Prediction from Lower-Limb Kinematics and Surface EMG

　　

摘要

本研究提出了一种时延神经网络（TDNN）框架，用于根据近端下肢运动学和表面肌电图（sEMG）预测矢状面踝关节角度，其长期目标是支持主动踝假肢控制。评估了两种 TDNN 配置：一种基于运动学的模型（TDNN-Kin），使用髋关节和膝关节运动学以及步态相位信息；另一种是扩展模型（TDNN-Kin-EMG），纳入了三个额外的 sEMG 通道。模型评估使用了从公开可用的生物力学数据集中获得的九名健康参与者独立保留的跑步机行走试验数据。TDNN-Kin 模型的平均均方根误差（RMSE）为 3.52 ± 0.55°，平均皮尔逊相关系数为 0.9338。纳入 sEMG 后，平均 RMSE 降至 3.04 ± 0.44°，提升了 13.8%，同时平均相关系数增至 0.9419。九名参与者中有八人的 RMSE 有所改善，这表明肌肉激活信息提供了仅靠近端关节运动学无法获得的互补信息。这些发现证明了使用可穿戴运动学和生理信号进行准确离线踝关节角度预测的可行性，并为将来将数据驱动的轨迹生成集成到主动踝假肢中提供了基础。