慣性測定単位とハイブリッドディープラーニングモデルを使用したさまざまな機関車活動中の下肢の関節角度と関節モーメントの推定

慣性測定ユニット（IMUS）を使用して下肢の関節運動学と運動学を推定すると、疾患診断とリハビリテーションの評価に貴重な情報を提供できます。IMUSを使用して歩行パラメーターを推定するために、カルマンフィルターや相補的フィルターなど、モデルベースのフィルタリングアプローチが提案されています。ただし、これらの方法では、IMUSの特別なキャリブレーションとアラインメントが必要です。深い学習アルゴリズムの開発は、使用中のIMUの特定のキャリブレーションとアライメント手順を必要としないため、バイオメカニクスにおけるIMUSの適用を促進しました。矢状面の股関節/膝/足首の関節の角度とモーメントを推定するために、3つのIMUを使用して、対象に依存しない時間的畳み込みニューラルネットワーク双方向の短期メモリネットワーク（TCN-BILSTM）モデルが提案されました。日常生活における最も代表的な機関車活動を含むパブリックベンチマークデータセットを使用して、TCN-BILSTMモデルを訓練および評価しました。提案されたモデルによって推定された関節角とモーメントの平均ピアソン相関係数は、それぞれ0.92と0.87に達しました。これは、TCN-BILSTMモデルが複数のシナリオで関節の角度とモーメントを効果的に推定できることを示しており、臨床および日常生活のシナリオでの適用の可能性を示しています。

Using inertial measurement units (IMUs) to estimate lower limb joint kinematics and kinetics can provide valuable information for disease diagnosis and rehabilitation assessment. To estimate gait parameters using IMUs, model-based filtering approaches have been proposed, such as the Kalman filter and complementary filter. However, these methods require special calibration and alignment of IMUs. The development of deep learning algorithms has facilitated the application of IMUs in biomechanics as it does not require particular calibration and alignment procedures of IMUs in use. To estimate hip/knee/ankle joint angles and moments in the sagittal plane, a subject-independent temporal convolutional neural network-bidirectional long short-term memory network (TCN-BiLSTM) model was proposed using three IMUs. A public benchmark dataset containing the most representative locomotive activities in daily life was used to train and evaluate the TCN-BiLSTM model. The mean Pearson correlation coefficient of joint angles and moments estimated by the proposed model reached 0.92 and 0.87, respectively. This indicates that the TCN-BiLSTM model can effectively estimate joint angles and moments in multiple scenarios, demonstrating its potential for application in clinical and daily life scenarios.