基于惯性传感网络的穿戴式步行膝关节力矩估计
DOI:
作者:
作者单位:

上海交通大学 机械与动力工程学院

作者简介:

通讯作者:

中图分类号:

基金项目:


Knee joint moment estimation during walking via a wearable inertial sensor network
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    目的 通过惯性传感网络估计多种步态下膝关节内翻力矩和膝关节屈曲力矩。 方法 12名健康成年男性穿戴8个惯性传感器(位于躯干,骨盆,左右大腿,左右小腿,左右脚)在不同步态下(改变足偏角,躯干摇晃角,步宽和步速)进行走路。惯性传感网络中提取的生物力学特征作为循环神经网络模型的输入,用于估计膝关节内翻力矩和膝关节屈曲力矩。 结果 整体膝关节内翻力矩的估计精度为rRMSE=8.54%,r=0.84,整体膝关节屈曲力矩的估计精度为rRMSE=6.40%,r=0.94。 结论 该模型可作为实验室外膝关节载荷估计的基础,潜在应用领域包括步态训练以及膝关节术后康复效果评估。

    Abstract:

    Objective Enable estimation of knee adduction moment (KAM) and knee flexion moment (KFM) under different gait testing conditions via an inertial sensor network. Methods Twelve healthy young male subjects wore eight inertial sensors and walked under different testing conditions (changing foot progression angle, trunk sway angle, step width, and walking speed). A recurrent neural network (RNN) was developed to estimate KAM and KFM with biomechanical features extracted from an inertial sensor network. Results Overall KAM estimation accuracy was rRMSE=8.54% and r=0.84. Overall KFM estimation accuracy was rRMSE=6.40% and r=0.94. Conclusions The model enabled knee joint estimation out of the lab and could potentially serve for gait training and knee surgery outcome assessment.

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2021-01-22
  • 最后修改日期:2021-03-06
  • 录用日期:2021-03-09
  • 在线发布日期:
  • 出版日期: