典型文献
基于惯性传感网络的穿戴式步行膝关节力矩估计
文献摘要：
目的 通过惯性传感网络(inertial sensor network,ISN)估计多种步态下膝关节内翻力矩(knee adduction moment,KAM)和膝关节屈曲力矩(knee flexion moment,KFM).方法 12名健康成年男性穿戴8个惯性传感器(位于躯干、骨盆、左右大腿、左右小腿、左右脚)在不同步态下(改变足偏角、躯干摇晃角、步宽和步速)行走.使用ISN,并从中提取生物力学特征作为循环神经网络(recurrent neural network,RNN)模型的输入,用于估计KAM和KFM.结果 整体 KAM 估计精度:相对均方根误差(relative root mean square error,rRMSE)为8.54％,r=0.84;整体KFM估计精度:rRMSE=6.40％,r=0.94.结论 该RNN模型可作为实验室外膝关节载荷估计的基础,潜在应用领域包括步态训练以及膝关节术后康复效果评估.
文献关键词：
膝关节内翻力矩;膝关节屈曲力矩;惯性传感网络;循环神经网络;步态分析
中图分类号：
作者姓名：
王钿鑫;谈天;Peter B.SHULL
作者机构：
上海交通大学机械与动力工程学院,机器人研究所,上海200240
文献出处：
引用格式：
[1]王钿鑫;谈天;Peter B.SHULL-.基于惯性传感网络的穿戴式步行膝关节力矩估计)[J].医用生物力学,2022(01):73-78
A类：
惯性传感网络,膝关节内翻力矩,KFM
B类：
穿戴式,膝关节力矩,矩估计,过惯,inertial,sensor,network,ISN,knee,adduction,moment,KAM,膝关节屈曲力矩,flexion,成年男性,惯性传感器,躯干,骨盆,大腿,右小腿,左右脚,不同步,足偏角,摇晃,步速,生物力学特征,循环神经网络,recurrent,neural,RNN,估计精度,relative,root,mean,square,error,rRMSE,潜在应用领域,步态训练,关节术,术后康复效果,效果评估,步态分析
AB值：
0.33886
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
