Gait2Hip-60：一個用於從多節奏步態運動學預測髖部肌肉力和關節力矩的統一深度學習基準
研究人員提出了一個深度學習框架Gait2Hip-60，利用LSTM、Transformer和Mamba等模型從步態運動學直接預測髖部肌肉力和關節力矩。在60名健康受試者的基準測試中，Transformer表現最佳，並在零樣本測試中對股骨頭壞死患者保持中等預測能力。該研究為臨床快速評估髖部動態提供了新方法，但需進一步病理驗證和泛化改進。
近日，一項發表於arXiv的研究提出了Gait2Hip-60，這是一個統一深度學習基準，旨在從多節奏步態運動學直接預測髖部肌肉力和關節力矩。傳統的肌肉骨骼模擬雖然資訊豐富，但耗時長且難以在臨床環境中應用。該研究透過深度學習模型，嘗試提供更快捷的替代方案。
研究團隊從60名健康成年人中收集步態資料，使用三種節拍器引導的步行節奏（慢、正常、快）。輸入為十個雙側下肢關節角度，輸出為透過OpenSim軟體計算出的髖部肌肉力和關節力矩。他們訓練並比較了三種代表性序列模型：LSTM、Transformer和Mamba。所有模型採用相同的受試者分割、預處理流程和評估指標，保證了比較的公平性。
在健康受試者基準測試中，Transformer模型表現最佳：預測髖部肌肉力的RMSE為1.33 N/kg，MAE為0.57 N/kg，R²為0.819；預測髖部關節力矩的RMSE為0.11 Nm/kg，MAE為0.07 Nm/kg，R²為0.862。Transformer在不同步行節奏下均保持優勢，展現了強大的建模能力。
為了測試模型的實際臨床應用潛力，研究人員直接將最優模型（Transformer）應用於一個外部佇列——9名股骨頭壞死（ONFH）患者，且未進行任何重新訓練。在零樣本驗證中，Transformer保持了中等預測能力：髖部肌肉力預測的RMSE為1.51 N/kg，MAE為0.70 N/kg，R²為0.537；髖部關節力矩預測的RMSE為0.17 Nm/kg，MAE為0.12 Nm/kg，R²為0.569。這些結果表明模型具有一定的泛化能力，但面對病理資料時效能有所下降。
這些結果支援了從步態運動學估計髖部動態的可行性，並將Transformer確立為一個強大的基線模型。然而，在臨床應用前，需要進行更廣泛的病理驗證並提高模型的泛化能力。研究還公開了程式碼和資料集（Gait2Hip-60），包括16頁論文和9張圖表，以促進該領域的進一步發展和臨床轉化。