基于GNN的膝关节接触力学深度代理建模：跨受试者泛化神经肌肉控制模式
定量方法
2025-12-16 v1
摘要
背景：异常接触应力的积累是急性半月板撕裂和慢性骨关节炎的主要生物力学驱动因素。虽然有限元分析（FEA）提供了量化这些致伤载荷所需的精度，但其高计算成本阻碍了临床应用。新兴的深度代理模型有望实现实时评估，但存在一个关键盲点：它们主要专注于学习解剖变异，而很大程度上忽略了神经肌肉控制模式。这些动态的、受试者特定的运动策略从根本上决定了膝关节内部潜在的致伤应力分布。方法：本研究研究了拓扑感知的MeshGraphNet在固定解剖条件下跨受试者神经肌肉控制模式的泛化能力。我们使用来自九名受试者的步态数据，通过OpenSim-FEBio联合仿真平台构建了一个数据集。MGN与结构无关的逐节点多层感知器（MLP）进行了比较，采用严格的分组3折交叉验证对未见受试者进行测试。结果：MGN展现出优越的保真度，与真实值的相关性达到0.94（MLP为0.88）。与表现出深度学习中常见的"峰值削减"缺陷的MLP不同，MGN显著降低了峰值应力预测误差，并在高风险区域实现了更高的空间重叠。这表明MGN有效地捕获了每个受试者运动策略特有的非局部力传递通路。结论：通过模拟物理应力通过消息传递的传播，MGN成功解码了人类神经肌肉控制的异质性，即使在固定解剖条件下也是如此。这确立了图神经网络作为稳健的临床工具，能够识别纯粹基于几何的代理模型无法察觉的功能性损伤风险。
引用
@article{arxiv.2512.11936,
title = {GNN-Based Deep Surrogate Modeling of Knee Contact Mechanics: Generalizing Neuromuscular Control Patterns Across Subjects},
author = {Zhengye Pan and Jianwei Zuo and Jiajia Luo},
journal= {arXiv preprint arXiv:2512.11936},
year = {2025}
}