新闻动态
埃斯顿医疗&英国利兹大学| 重磅合作成果亮相国际权威性期刊！
DOI：https://doi.org/10.1109/TNSRE.2025.3530992
近日，埃斯顿医疗科研团队与英国leeds大学合作完成并发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》（IEEE TNSRE）（IF=4.8) 的开创性研究，提出了一种基于知识的深度学习框架，用于执行高效且无需标签的逆动力学分析。基于知识深度学习的新型人工智能（AI）算法，能够仅凭关节运动数据，精准预测肌肉激活和肌肉力量，为肌肉力量的无创、高效评估带来了突破性进展，这为康复医学领域带来了新的希望。 研究团队利用深度学习技术，特别是双向门控循环单元 (BiGRU) 神经网络，构建了一个强大的预测模型。更重要的是，他们将肌肉骨骼 (MSK) 系统的正向动力学知识和基于逆动力学的生理学标准巧妙地融入到模型的损失函数中。这种“知识融合”的策略，使得模型在训练过程中无需依赖任何标记数据，即可准确学习关节运动与肌肉力量之间的复杂关系。 史超阳 天津大学机械工程学院 教授/博导 博士，国家海外高层次人才获得者 从事手术机器人、康复机器人、智能感知研究 主持多项国家、省部级项目 刘晋东 埃斯顿（南京）医疗科技有限公司 CTO 博士， IEEE高级会员，曾任伦敦帝国理工学院高级研究员 从事康复机器人、手术机器人、仿生机器人研究 完成多个英国及欧盟项目 Zhi-Qiang Zhang 英国利兹大学生物医学工程学科 讲习教授/博导 博士，英国利兹大学教授 国际期刊 lEEE Journal of Biomedical and Health Informatics 副主编 主持欧盟 "H2020计划" 传统的逆动力学方法依赖于静态优化算法，计算繁琐且耗时，限制了其在实时应用中的可行性。基于机器学习，尤其是深度学习的方法，虽然展现出高效的潜力，但往往需要大量的标记数据进行训练，而这些数据（例如通过静态优化获得的肌肉力量）的获取成本高昂，且过程复杂。精确估计肌肉激活和肌肉力量对于理解人体运动控制、评估神经肌肉疾病进展以及指导康复治疗至关重要。 本研究的核心创新在于将先验物理知识巧妙地融入到深度学习模型的损失函数中。具体而言，研究团队将以下几个关键要素纳入考量： 1、正向动力学约束 (Lm)：基于牛顿-欧拉方程，构建关节力矩与肌肉力、关节运动学参数之间的关系，确保模型的预测符合基本的生物力学原理。 2、生理学约束 (Lp)：借鉴逆动力学优化中常用的性能指标，引入肌肉激活的L2范数作为正则化项，促使模型预测出符合生理学规律的肌肉激活模式。 3、边界约束 (Lb)：将肌肉激活限制在合理的生理范围内 (0.01 - 1)，避免出现不切实际的预测结果。 4、力拟合约束 (Lf)：最小化模型预测的肌肉力和基于Hill肌肉模型计算的肌腱力之间的差异，进一步提升模型预测的准确性。 为了更好地证明我们的方法的秘密网络架构的优越性，通过两组数据集对各种主干网络进行了全面的比较分析， 包括我们的模型和其他基线模型，进行了总体比较分析。 膝关节数据集：BiGRU 模型在所有肌肉上的平均 R² 值最高（肌肉激活：0.945，肌肉力量：0.941），且标准差最小，表明其性能最佳且最稳定。LSTM 性能次之，TCN 再次之，RNN 性能最差。 肘关节数据集：BiGRU 模型同样表现最佳，平均 R² 值分别为 0.941 (肌肉激活) 和 0.938 (肌肉力量)。LSTM 性能略逊于 BiGRU，TCN 性能再次之，RNN 性能最差。 膝关节数据集 (图 5a, 5b)：BiGRU 模型的 RMSE 值最低，与 R² 结果一致。 肘关节数据集 (图 5c, 5d)：BiGRU 模型的 RMSE 值同样最低。 BiGRU 架构的优越性： 在两个数据集上，BiGRU 模型在 R² 和 RMSE 两个指标上均优于其他三种网络架构，表明 BiGRU 网络更适合处理生物力学时间序列数据，能够更准确地捕捉关节运动与肌肉活动之间的复杂关系。这可能是因为 BiGRU 可以双向处理时间序列信息，从而更好地捕捉长期依赖关系。 完整模型 (所有损失项): R²(a) = 0.96, R²(F) = 0.93 移除 Lm (正向动力学损失): R²(a) = 0.15, R²(F) = -0.37 (性能急剧下降) 移除 Lf (力拟合损失): R²(a) = 0.93, R²(F) = -3.71 (对肌肉力量预测影响极大) 移除 Lp (生理学损失): R²(a) = 0.45, R²(F) = 0.19 (对肌肉激活预测影响较大) 移除 Lb (边界损失): R²(a) = 0.88, R²(F) = 0.81 (影响相对较小) 提出的方法在大多数受试者上的 R² 值与监督学习方法相当，甚至在某些受试者上略优。平均而言，提出的方法的 R²(a) 略低于监督学习方法，但 R²(F) 与之相当。平均结果表明，该方法在激活预测方面具有相当的精度，但力预测性能略低但稳定。 优异的预测性能: 在两个数据集上，该方法均展现出卓越的预测能力。在膝关节屈伸任务中，肌肉激活和肌肉力量的预测R值分别达到0.945和0.941;在肘关节屈伸任务中，R2值分别为 0.941和0.938。 超越基线模型:与常用的循环神经网络(RNN)、时间卷积网络(TCN)和长短期记忆网络(LSTM)相比，基于 BiGRU 的模型架构表现出显著的优势，证明了其在处理生物力学时间序列数据方面的优越性。 无需标签学习: 通过消融实验，研究团队证实了知识融合策略的有效性。在去除任何一个知识约束后，模型的预测性能均出现明显下降，突显了先验知识在指导模型学习中的关键作用。 与监督学习的对比:与使用静态优化结果作为标签的监督学习方法相比，该方法在无需任何标签数据的情况下，取得了与之相当甚至更优的预测精度，并且展现出更好的跨受试者稳定性。 这项研究提出的基于知识的深度学习方法，为逆动力学分析开辟了新的途径。它摆脱了对大量标记数据的依赖，降低了模型应用的成本和门槛，为实时生物力学分析和临床应用奠定了基础。该方法不仅可以用于康复医学领域，例如评估肌肉功能、指导康复训练、优化假肢控制等，还可以应用于运动科学、人机工程学、以及机器人控制等多个领域。 本文提出了一种新的、时间高效的、基于知识的深度学习方法，用于从联合运动学数据中直接估计肌肉运动和力。利用基于BiGRU的模型作为神经网络的代理，将来自正向动力学的先验物理知识和基于预选的生理学标准整合到损失函数中指导训练，而不需要标记数据。大量的实验证明了该方法的有效性和潜力。 此外，该算法还具有广泛的应用前景， 例如： 优化假肢和外骨骼的设计： 通过精准预测穿戴者的肌肉力量，可以帮助工程师开发出更加符合人体工学的辅助设备，提高设备的舒适性和有效性。 运动表现分析： 可以帮助运动员和教练员分析运动过程中的肌肉活动模式，优化训练方案，提高运动成绩并预防运动损伤。 肌骨疾病的早期诊断：通过检测肌肉力量的异常模式，可能有助于早期发现某些肌肉骨骼疾病，例如肌萎缩侧索硬化症 (ALS)。