面向高效逆动力学的知识驱动深度学习

对肌肉激活和肌肉力量的准确理解对于神经康复和肌肉生物力学疾病治疗具有重要作用。计算生物力学建模已被广泛用于通过逆向动力学中的静态优化来估计这些参数，但固有的计算复杂度导致分析耗时。在本文中，我们提出了一种知识驱动的深度学习框架，用于高效进行逆向动力学分析，该框架可直接从关节运动学数据预测肌肉激活和肌肉力量，而无需在模型训练期间使用任何标签信息。我们选取双向门控循环单元（BiGRU）神经网络作为模型的主干，因为其擅长处理时间序列数据。将来自正向动力学的先验物理知识以及基于生理学标准挑选的逆向动力学集成到损失函数中，以引导神经网络的训练。在两个数据集上进行实验验证，包括一个基准上肢动作数据集和我们自采集的六名健康受试者的下肢动作数据集。实验结果表明，在我们专门设计的损失函数下，所选取的 BiGRU 架构优于其他神经网络模型，这说明了所提出框架的有效性和鲁棒性。