《Sensors》:Real-Time Prediction of Lower-Limb Joint Kinematics, Kinetics, and Ground Reaction Force Using Wearable Sensors and Machine Learning
编辑推荐:
行走(Walking)是生物力学领域关注的关键运动,然而金标准(Gold-Standard)数据采集方法耗时且成本高昂。本文提出了一种基于无线可穿戴传感器与机器学习算法的实时、多模态、高采样率下肢运动捕捉框架。研究人员使用随机森林(Random Forest
行走(Walking)是生物力学领域关注的关键运动,然而金标准(Gold-Standard)数据采集方法耗时且成本高昂。本文提出了一种基于无线可穿戴传感器与机器学习算法的实时、多模态、高采样率下肢运动捕捉框架。研究人员使用随机森林(Random Forests)算法根据惯性测量单元(Inertial Measurement Units, IMUs)数据估计关节角度,并利用集成力肌成像(Force Myography, FMG)传感器的柔性可穿戴鞋垫预测地面反作用力(Ground Reaction Force, GRF),同时基于ResNet-16架构的深度学习模型从关节角度与GRF预测关节力矩。三项模型均取得了与文献报道相当的良好精度,对于20 s的输入数据,预测结果以1 kHz频率记录,最小延迟仅为23 ms。
**论文解读**
**一、研究背景与意义**
行走是人类最基本的运动技能,构成日常活动的主体,涉及骨骼排列、关节活动范围、神经肌肉活动及运动物理法则的复杂交互,因此成为生物力学领域的重要研究对象。步态分析(Gait Analysis)专门用于评估步态并检测异常。关节角度、关节力矩和地面反作用力(Ground Reaction Force, GRF)是步态分析中的核心变量:关节角度描述关节处两个节段的相对方位,临床用于评估关节功能;关节力矩描述作用于关节的力,用于运动功能评价及假肢、外骨骼等辅助装置的设计与控制;GRF在评估地面接触中至关重要,常与关节角度联合用于计算关节力矩。
传统的金标准(Gold-Standard)测量方法依赖光学运动捕捉系统(Optical Motion Capture System)与反光标记进行运动记录,再通过逆运动学(Inverse Kinematics)分析提取角度;GRF测量则依赖测力板(Force Plates)与测力跑台;关节力矩通过逆动力学(Inverse Dynamics)分析结合运动学与GRF数据计算得出。然而,光学运动捕捉系统与测力板价格昂贵、需专用实验室空间、测量受限于可用测力板数量,且标记放置与数据处理流程耗时、依赖专业技术技能。这些因素使该流程难以在实验室外的日常环境或可穿戴辅助设备中实时部署。无标记运动捕捉(Markerless Motion Capture)虽近年被提出作为更便携的方案,但商业系统仍相对昂贵且需高性能计算机。
惯性测量单元(Inertial Measurement Units, IMUs)被视为低成本的实时替代方案,可通过融合加速度、角速度与磁力计数据估计节段方位,但面临传感器漂移及传感器对齐人体节段与解剖参考点的挑战。研究表明机器学习算法可有效克服这些难题。同样,嵌入力敏电阻(Force Sensitive Resistors, FSRs)的传感器鞋垫被证实是不影响步态模式的良好可穿戴替代方案,具备不显眼、低成本、低功耗等优点。
正是在上述背景下,研究人员开展了此项研究,旨在构建基于无线可穿戴传感器与机器学习算法的实时、多模态、高采样率下肢运动捕捉框架,以替代昂贵且受限于实验室的传统金标准方法。
**二、关键技术方法概述**
研究共招募8名年轻健康受试者,采用16台Vicon Valkyrie VK26相机及41个反光标记进行光学运动捕捉、3块AMTI嵌入式测力板采集GRF,同时使用4个九轴EmotiBit IMU(25 Hz)佩戴于小腿和足部(仅4名受试者数据完整因传感器断开)及嵌入8个FSR型力肌成像传感器的鞋垫(5名受试者)。数据预处理阶段,使用OpenSim软件缩放模型并执行逆运动学与逆动力学分析,关节角度与力矩由100 Hz上采样至1 kHz,IMU数据经线性插值上采样至1 kHz并使用五阶巴特沃斯滤波器带通滤波。GRF模型以步态周期百分比(GC%)与FSR数据为输入构建随机森林模型;角度模型同样采用随机森林,以IMU九通道数据及GC%和引导足标志为主要输入,分单侧和双侧多模型组合训练;力矩模型采用基于ResNet-16架构的一维卷积神经网络(1D CNN)深度学习模型,以关节角度和GRF为主要输入,包含初始卷积块、四个残差块、全局平均池化和全连接层,使用ADAM优化器和均方误差(Mean Squared Error, MSE)损失函数训练500轮次。所有模型均采用受试者内交叉验证和留一受试者交叉验证(Leave-One-Subject-Out Cross Validation, LOSOCV)两种方法进行评估,性能以归一化均方根误差(NRMSE)、归一化平均绝对误差(NMAE)、皮尔逊相关系数(Pearson Correlation Coefficient, r)和决定系数(Coefficient of Determination, r2)衡量。
**三、主要研究结果**
**GRF模型结果:** 垂直地面反作用力(vGRF)模型在受试者内模式下达到NRMSE 5.09 ± 0.61%,受试者间模式下为8.36 ± 0.91%,与文献中使用随机森林、长短期记忆网络等方法的同类研究相比结果相当。
**角度模型结果:** 在仅踝关节模型中,采用双侧4个IMU加2个vGRF输入的W3模型取得最低均方根误差(RMSE),受试者内模式为4.41 ± 0.56°,受试者间模式为8.71 ± 2.21°。扩展至五个关节角度后,W6模型在踝关节表现最佳(4.16 ± 0.59°和8.39 ± 2.44°),W5模型在髋、膝关节表现最佳,且添加GRF和双侧扩展逐步改善了模型性能,表明增加相关特征可为机器学习模型提供更多情境信息,亦显示仅使用小腿和足部IMU即可预测邻近踝关节和膝关节角度乃至近端三维髋关节角度。
**力矩模型结果:** 踝关节力矩模型在受试者内模式NRMSE为4.88 ± 0.83%,相关系数0.97 ± 0.01;受试者间模式NRMSE为7.72 ± 1.60%,相关系数0.93 ± 0.03。扩展至五关节力矩后,受试者内模式NRMSE范围为1.63 ± 0.03%(髋旋转)至2.96 ± 0.03%(髋内收),相关系数最低0.97 ± 0.00(髋内收),最高1.00 ± 0.00(膝关节);受试者间模式NRMSE范围为6.59 ± 0.64%(髋屈曲)至10.50 ± 1.70%(踝关节),相关系数最低0.84 ± 0.04(髋旋转),最高0.90 ± 0.01(髋屈曲),性能虽有所下降但仍可接受,证明模型稳健性。
**模型链式结果:** 使用角度模型W1的链式评估中,GRF预测精度与预期接近;最终力矩预测误差虽因误差传播积累而高于使用金标准数据测试的结果,但仍处于文献报道范围内(<16%)。扩展至五关节后,W5模型角度预测总体更优,力矩预测亦优于W4,且均优于W1的踝关节预测,力矩NRMSE接近文献报道最大值18.02%,但模型链式思路仍可视为有效。
**实时系统结果:** GRF、角度和力矩预测模块在20 s数据采集窗口后分别耗时5 ms、14 ms和23 ms完成,实现了1 kHz预测输出频率。实时预测与已验证模型平均曲线之间的皮尔逊相关系数r ≥ 0.86,决定系数r2 ≥ 0.79,除髋旋转角度(r2 = 0.73)、髋屈曲角度(r2 = 0.62)及膝屈曲力矩(r2 = 0.62)略低外,各项预测基本维持在均值一个标准差范围内。
**四、讨论与结论**
在讨论部分,研究人员将GRF模型、角度模型及力矩模型的结果分别与同类文献进行了系统比较,指出本研究在仅使用少量可穿戴传感器和低复杂度算法的条件下取得了与文献相当甚至更优的预测精度。在模型链式评估中,尽管误差通过模型链传播和积累导致力矩预测误差增大,但仍处于文献可接受范围内,证明了以AI驱动替代逆动力学分析策略的有效性。实时系统方面,本研究在完全依赖可穿戴传感器、无需任何相机或金标准运动捕捉系统的前提下,以1000 fps速率及23 ms延迟覆盖全部五个主要下肢关节,提供GRF、关节角度与力矩的多模态综合估计,在已有文献中独具特色。但研究人员也指出研究的局限性:受试者样本量较小(n = 8),且部分传感器因硬件断连导致有效子集更小,限制了模型对行走以外运动类型的泛化能力,模型仅针对自选速度直线行走训练;尽管LOSOCV评估部分检验了对未见受试者的鲁棒性,但需更大、更多样化的数据集以充分建立群体水平的泛化能力。
**研究结论:** 本文提出了一种基于无线可穿戴传感器与机器学习算法的实时、多模态、高采样率下肢运动捕捉框架。所开发的模型与文献相比取得了良好的精度,对于20 s输入数据能以1 kHz频率提供预测,最小延迟仅为23 ms。未来工作可考虑按运动类型开发独立预测器,并与运动分类器结合以自动选用适合当前活动的模型;此外,另一个潜在应用是用于下肢外骨骼控制,但现有模型需在辅助场景下验证并可能需要针对外骨骼引入的运动学与动力学变化进行重新训练。