基于共享 MeshGraphNet 主干网络解耦横向膝关节接触应力预测中的历史依赖与传播依赖
定量方法
2026-01-14 v1 机器学习
摘要
背景：主体特定有限元分析能准确表征膝关节力学，但计算成本高昂。深度代理模型提供了快速替代方案，但其在有限姿态和负载输入下对不同主体的泛化能力尚不明确。是否为预测不确定性的主要来源仍不明确，可能来自时间历史依赖或空间传播依赖。方法：为解耦这些因素，我们采用具有固定网格拓扑的共享 MGN 主干网络。构建了来自九名受试者的跑步试验数据集，并通过 OpenSim-FEBio 工作流程实现。我们开发了四种模型变体以隔离特定依赖：(1) 基线 MGN；(2) CT-MGN，引入控制变换器编码短期历史；(3) MsgModMGN，应用状态条件调制实现消息传递的自适应传播；(4) CT-MsgModMGN，组合两种机制。模型在未见主体上的严格分组 3 折交叉验证中进行评估。结果：集成历史编码的模型在全局准确性和空间一致性方面显著优于基线 MGN 和 MsgModMGN。关键在于，CT 模块有效缓解了深度代理模型常见的峰值平滑缺陷，显著降低了峰值应力预测误差。相比之下，空间传播调制alone未显著优于基线，与 CT 组合亦无额外收益。结论：时间历史依赖而非空间传播调制，是跨主体膝关节接触力学预测不确定性的主要驱动因素。显式编码短期驱动序列使代理模型能够恢复隐式相位信息，从而在峰值应力捕获和高风险定位方面优于纯状态基于方法。
引用
@article{arxiv.2601.08318,
title = {Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone},
author = {Zhengye Pan and Jianwei Zuo and Jiajia Luo},
journal= {arXiv preprint arXiv:2601.08318},
year = {2026}
}