-
题名数据驱动建模的地面切向作用力估计
- 1
-
-
作者
吕阳
陆畅
张晓旭
陈文明
徐鉴
-
机构
复旦大学工程与应用技术研究院
上海智能机器人工程技术研究中心
智能机器人教育部工程研究中心
-
出处
《医用生物力学》
北大核心
2025年第1期148-155,共8页
-
基金
国家自然科学基金项目(12372065,12372022)。
-
文摘
目的 建立从下肢运动学数据估算切向地面反作用力(GRF_t)的数据驱动模型,并从输入数量与估计精度的角度出发选择最合适的输入,以实现在户外步态实验中测量GRF_t。方法 利用10名受试者在5个不同坡度(-10°、-5°、0°、5°、10°)下的步态数据,训练反向传播神经网络(backpropagation neural network, BPNN)和多项式稀疏回归(polynomial sparse identification, PSI)模型两种数据驱动模型,用以估算GRF_t。评估8种运动学数据组合与法向地面作用力(GRF_n)作为模型输入的性能结果,以确定最佳的模型和模型输入。结果 在相同输入维度下,髋-膝关节角度组合比膝-踝关节角度组合更能准确地估算GRF_t。具体而言,基于前者组合的BPNN和PSI模型预测GRF_t的误差分别为1.61%BW(体重)和1.84%BW,而基于后者组合的模型误差分别为2.82%BW和3.15%BW。将GRF_n与所有关节角度作为输入,模型的预测误差仅为1.46%BW。结论 GRF_n与髋-膝关节角度的组合在计算复杂度和估计精度之间实现了最佳平衡。研究结果有助于实现在室外步态测试中准确估算GRF_t。
-
关键词
户外步态测试
反向传播神经网络
多项式稀疏辨识
输入筛选
地面作用力估计
-
Keywords
outdoor gait test
backpropagation neural network(BPNN)
polynomial sparse identification(PSI)
input selection
ground reaction force estimation
-
分类号
R318.01
[医药卫生—生物医学工程]
-
