Echtzeitvorhersage von Gelenkkraftwirkungen durch Bewegungsaufnahme und maschinelles Lernen

Konventionelle biomechanische Modellierungsansätze beinhalten die Lösung großer Gleichungssysteme, die die komplexe mathematische Darstellung der menschlichen Bewegung und der Skelettstruktur kodieren. Um Stabilität und Rechengeschwindigkeit, welche häufige Engpässe in aktuellen Ansätzen darstellen, zu verbessern, wenden wir maschinelles Lernen an, um Surrogatmodelle zu trainieren und nahezu in Echtzeit zuvor berechnete mediale und laterale Kniekontaktkräfte (KCFs) von 54 jungen und älteren Teilnehmern während des Laufbandgehens in einem Geschwindigkeitsbereich von 3 bis 7 km/h vorherzusagen. Die Vorhersagen werden durch Fusion optischer Bewegungsaufnahme- und muskuloskelettal modellierter kinematischer und Kraftvariablen in Regressionsmodelle unter Verwendung künstlicher neuronaler Netze (ANNs) und Support Vector Regression (SVR) erzielt. Trainingsschemata umfassten entweder Daten von allen Probanden (LeaveTrialsOut) oder nur von einem Teil von ihnen (LeaveSubjectsOut), in Kombination mit der Einbeziehung oder dem Ausschluss der Bodenreaktionskräfte (GRFs) im Datensatz. Die Ergebnisse identifizieren ANNs als die leistungsfähigsten Prädiktoren für KCFs, sowohl hinsichtlich Pearson R (0,89–0,98 für LeaveTrialsOut und 0,45–0,85 für LeaveSubjectsOut) als auch prozentual normalisiertem Root Mean Square Error (0,67–2,35 für LeaveTrialsOut und 1,6–5,39 für LeaveSubjectsOut). Beim Ausschluss der GRFs aus dem Datensatz wurde keine wesentliche Reduktion der Vorhersagekraft beider Modelle beobachtet. Unsere Ergebnisse zeigen die Stärke der ANNs, mehrkomponentige KCFs während des Gehens bei unterschiedlichen Geschwindigkeiten simultan vorherzusagen – sogar ohne GRFs – was insbesondere für Echtzeitanwendungen relevant ist, die Kniebelastungsbedingungen zur Patientenführung und -behandlung nutzen.