关键词:
地面反作用力
压力中心
神经网络
步态分析
摘要:
目的 应用两类神经网络算法估算步行中双足三维地面反作用力(ground reaction force, GRF)和压力中心(center of pressure, COP),并对比两种算法模型的估算效果,为无测力台条件下的步态动力学数据获取提供解决方案。方法 筛选1 384人次步态数据。采用多层感知机(multi-layer perceptron, MLP)和卷积神经网络(convolutional neural network, CNN)构建基于全身标记点三维轨迹估算GRF和COP各分量的模型。随机选取100个样本作为测试集,利用估算值与真实值的相关系数(r)、相对均方根误差(relative root mean square error, rRMSE)评价各模型的估算性能,并采用配对样本t检验比较两类神经网络模型的估算性能。结果 MLP在GRF各分量中的估算r为0.954~0.993,rRMSE为4.36%~9.83%;CNN估算r为0.979~0.994,rRMSE为3.06%~6.69%;MLP在COP各分量中的估算r为0.888~0.992,rRMSE为4.78%~16.63%;CNN在COP各分量中的估算r为0.944~0.995,rRMSE为3.06%~10.85%。CNN在右侧支撑时相的GRF内外分量、COP内外分量和COP前后分量,以及左侧支撑时相的GRF左右分量、COP前后分量上的估算rRMSE均低于MLP(P<0.01)。MLP在右侧支撑时相的GRF前后分量,以及左侧支撑时相的COP前后分量、GRF垂直分量上的估算rRMSE均低于CNN(P<0.01)。结论 利用全身标记点轨迹估算步行中GRF和COP时,MLP和CNN技术均获得较好的估算精度。MLP在GRF前后分量和垂直分量的估算精度优于CNN,而CNN在GRF内外分量和COP前后分量和内外分量的估算精度优于MLP。