Gait2Hip-60：一个用于从多节奏步态运动学预测髋部肌肉力和关节力矩的统一深度学习基准
研究人员提出了一个深度学习框架Gait2Hip-60，利用LSTM、Transformer和Mamba等模型从步态运动学直接预测髋部肌肉力和关节力矩。在60名健康受试者的基准测试中，Transformer表现最佳，并在零样本测试中对股骨头坏死患者保持中等预测能力。该研究为临床快速评估髋部动态提供了新方法，但需进一步病理验证和泛化改进。
近日，一项发表于arXiv的研究提出了Gait2Hip-60，这是一个统一深度学习基准，旨在从多节奏步态运动学直接预测髋部肌肉力和关节力矩。传统的肌肉骨骼模拟虽然信息丰富，但耗时长且难以在临床环境中应用。该研究通过深度学习模型，尝试提供更快捷的替代方案。
研究团队从60名健康成年人中收集步态数据，使用三种节拍器引导的步行节奏（慢、正常、快）。输入为十个双侧下肢关节角度，输出为通过OpenSim软件计算出的髋部肌肉力和关节力矩。他们训练并比较了三种代表性序列模型：LSTM、Transformer和Mamba。所有模型采用相同的受试者分割、预处理流程和评估指标，保证了比较的公平性。
在健康受试者基准测试中，Transformer模型表现最佳：预测髋部肌肉力的RMSE为1.33 N/kg，MAE为0.57 N/kg，R²为0.819；预测髋部关节力矩的RMSE为0.11 Nm/kg，MAE为0.07 Nm/kg，R²为0.862。Transformer在不同步行节奏下均保持优势，展现了强大的建模能力。
为了测试模型的实际临床应用潜力，研究人员直接将最优模型（Transformer）应用于一个外部队列——9名股骨头坏死（ONFH）患者，且未进行任何重新训练。在零样本验证中，Transformer保持了中等预测能力：髋部肌肉力预测的RMSE为1.51 N/kg，MAE为0.70 N/kg，R²为0.537；髋部关节力矩预测的RMSE为0.17 Nm/kg，MAE为0.12 Nm/kg，R²为0.569。这些结果表明模型具有一定的泛化能力，但面对病理数据时性能有所下降。
这些结果支持了从步态运动学估计髋部动态的可行性，并将Transformer确立为一个强大的基线模型。然而，在临床应用前，需要进行更广泛的病理验证并提高模型的泛化能力。研究还公开了代码和数据集（Gait2Hip-60），包括16页论文和9张图表，以促进该领域的进一步发展和临床转化。