从惯性动作捕捉数据到基于光学动作捕捉的肌肉骨骼建模的机器学习方法

基于标记的光学动作捕捉（OMC）系统及相关的肌肉骨骼（MSK）建模预测可非侵入性地提供体内关节与肌肉负荷的洞察，辅助临床决策。然而，OMC系统基于实验室、价格昂贵且需要视线通畅。惯性动作捕捉（IMC）系统是广泛使用的替代方案，其便携、用户友好且相对低成本，但精度较低。无论选择何种动作捕捉技术，都需使用MSK模型以获得运动学与动力学输出，该工具计算昂贵，且正日益被机器学习（ML）方法良好近似。本文提出一种ML方法，将实验记录的IMC数据映射到由（‘金标准’）OMC输入数据计算出的人体上肢MSK模型输出。本质上，我们旨在从更易获取的IMC数据预测更高质量的MSK输出。我们使用为相同受试者同步采集的OMC与IMC数据训练不同的ML架构，以从IMC测量预测OMC驱动的MSK输出。具体而言，我们采用了多种神经网络（NN）架构，如前馈神经网络（FFNN）与循环神经网络（RNN）（基础型、长短期记忆与门控循环单元），并在受试者已见（SE）与受试者未知（SN）设定下通过超参数空间的穷举搜索寻找最佳拟合模型。我们观察到FFNN与RNN模型性能相当，其与期望的OMC驱动MSK估计在留出测试数据上高度一致（ravg, SE, FFNN = 0.90±0.19，ravg, SE, RNN = 0.89±0.17，ravg, SN, FFNN = 0.84±0.23，ravg, SN, RNN = 0.78±0.23）。使用ML模型将IMC输入映射到OMC驱动的MSK输出，可助力MSK建模从‘实验室走向现场’。