新上线今天0 投票
Gait2Hip-60：基于多步态步频的髋关节肌肉力与关节力矩预测统一深度学习基准
研究背景与动机
髋关节肌肉力和关节力矩的准确估计对于步态分析、康复评估及临床决策至关重要。传统方法依赖肌肉骨骼仿真（如 OpenSim），虽然信息丰富，但计算耗时且难以在临床环境中快速部署。近年来，深度学习模型有望直接从运动学数据中预测动力学参数，但缺乏统一基准来比较不同序列模型的表现。
研究设计
本研究提出 Gait2Hip-60 基准，包含 60 名健康成人 在三种节拍器引导步频（慢、正常、快）下的步态数据。输入特征为 10 个双侧下肢关节角度，参考输出为 OpenSim 计算的髋关节肌肉力和关节力矩。研究比较了三种代表性序列模型：LSTM、Transformer 和 Mamba，采用统一的受试者划分、预处理流程和评估指标。
核心结果
在健康受试者基准测试中，Transformer 模型表现最佳：
- 髋关节肌肉力预测：RMSE = 1.33 N/kg, MAE = 0.57 N/kg, R² = 0.819
- 髋关节力矩预测：RMSE = 0.11 Nm/kg, MAE = 0.07 Nm/kg, R² = 0.862
在 零样本外部验证（直接应用于 9 名股骨头坏死患者）中，Transformer 仍保持中等预测能力：
- 肌肉力预测：RMSE = 1.51 N/kg, MAE = 0.70 N/kg, R² = 0.537
- 力矩预测：RMSE = 0.17 Nm/kg, MAE = 0.12 Nm/kg, R² = 0.569
意义与展望
该研究证实了从步态运动学直接估计髋关节动力学的可行性，为临床步态分析提供了更高效的替代方案。Transformer 作为强基线模型，展示了良好的泛化能力，但病理数据集上的性能下降提示需要更多病理样本和模型改进。研究代码和数据集已公开，为后续研究提供了标准化基准。
小结
Gait2Hip-60 填补了步态动力学深度学习预测的统一基准空白，Transformer 的优异表现和零样本迁移能力预示着其在康复评估、手术规划等场景的应用潜力。