برآورد نیروی تماسی زانو مبتنی بر واحد اندازه‌گیری اینرسی با استفاده از شبکه‌های عصبی مصنوعی

نیروی تماسی مفصل زانو نقش مهمی در بروز و پیش‌رفت بیماری استئوآرتریت زانو دارد که از آن به عنوان معیاری برای رصد فرایند توان‌بخشی پس از جراحی آرتروپلاستی زانو و طراحی پروتز استفاده می‌شود. در حال حاضر سنجش نیروی تماسی زانو مبتنی بر داده‌های استخراج شده از آزمایشگاه‌های تجزیه ‌و تحلیل حرکت است. استفاده از ترکیبی از شبکه‌های عصبی مصنوعی و فناوری حس‌گرهای پوشیدنی می‌تواند به رفع محدودیت‌های تحمیل شده در اندازه‌گیری نیروی تماسی مفصل توسط تجزیه ‌و تحلیل‌های آزمایشگاهی غلبه کند. بنابراین مطالعه‌ی حاضر با هدف بررسی پتانسیل یک شبکه‌ی عصبی تماما متصل در برآورد پیوسته‌ی نیروی تماسی مفصل زانو از طریق داده‌های مستخرج از سه واحد اندازه‌گیری اینرسی متصل به سگمنت‌‌های لگن، ران و ساق صورت گرفته است. نیروهای عکس‌العمل زمین و داده‌های سه‌بعدی مارکرهای متصل به 10 داوطلب مرد سالم حین راه رفتن به ترتیب با نرخ‌ نمونه‌برداری 1000 و 200 هرتز ثبت شده است. با استفاده از یک مدل عمومی از نرم‌افزار اپن‌سیم و از طریق روش بهینه‌سازی استاتیکی، نیروی تماسی مفصل زانو برآورد شده و به عنوان سیگنال هدف شبکه‌ی عصبی در نظر گرفته شده است. هم‌چنین داده‌های سه‌بعدی شتاب خطی و سرعت زاویه‌ای محاسبه شده توسط سه حس‌گر اینرسیایی به عنوان ویژگی‌های ورودی‌ شبکه‌ی عصبی در نظر گرفته شده و عمل‌کرد شبکه در دو سطح درون و میان آزمودنی مورد بررسی و ارزیابی قرار گرفته است. نتایج نشان داده که شبکه‌ی عصبی مورد استفاده در این پژوهش پیش‌بینی پیوسته‌ی نیروی تماسی مفصل زانو را به ترتیب با دقت 89% و 79% در سطوح درون‌ و میان آزمودنی انجام داده است. نتایج این پژوهش نوید دهنده‌ی امکان به کارگیری حس‌گرهای اینرسیایی در پیش‌بینی پیوسته‌ی نیروی تماسی مفصل زانو حین زندگی روزمره و فعالیت‌های ورزشی بدون نیاز به تجهیزات گران‌قیمت آزمایشگاهی و دانش تخصصی است.

imu-based estimation of the knee contact force using artificial neural networks

knee joint contact force (kcf) plays a significant role in the occurrence and progression of knee osteoarthritis (koa) disease. kcf can be used in monitoring rehabilitation progress after knee arthroplasty surgery and the design of prostheses. currently,measuring kcf is dependent on the data extracted from gait laboratories. thecombination of artificial neural networks (anns) and wearable technology canovercome the limitations imposed by lab-based analysis in measuring kcf. therefore,the present study aimed to investigate the potential of a fully-connected neural network(fcnn) in predicting the kcf via three inertial measurement unit (imu) sensorsattached to the pelvis, thigh, and shank segments. ten healthy male volunteersparticipated in this study. the 3d marker trajectories and ground reaction forces (grf)were captured at 200 hz and 1000 hz sampling frequencies during level-groundwalking. using a generic opensim model, the kcf was estimated through staticoptimization. the resultant kcf estimated by the musculoskeletal model was then usedas the target of the neural network, while linear acceleration and 3d angular velocitydata captured by three imus were considered as the network inputs. the networkperformance was investigated at intra- and inter-subject levels. based on our findings,the proposed network of this study enables the prediction of kcf with 89% and 79%accuracy (based on the pearson correlation coefficient) at the intra- and inter-subjectlevels, respectively. the results of this study promise the possibility of using imusensors in predicting kcf outside the lab and during daily activities.