بررسی اثر عدم قطعیت در مسیر ماهیچه‌ها بر نیروی تماسی مفصل زانو در یک مدل اسکلتی-عضلانی بهبود یافته‌ حین حرکت اسکات

عدم قطعیت درباره‌ی نتایج مدل‌های اسکلتی-عضلانی، یکی از اصلی‌ترین مسائلی است که کم‌تر مورد توجه کاربران قرار گرفته است. گرچه نتایج این مدل‌ها برای گیت دارای دقت کافی است، اما در حرکاتی با خمش شدید مفصل زانو مانند اسکات خطاهای بالا گزارش شده است. اخیرا با بروزرسانی سطوح پیچش در مدل قدرتمند راجاگوپال، نسخه ی بروزشده ای از آن جهت شبیه سازی اسکات عمیق (مدل کتلی) ارائه شده است. اما نتایج شبیه سازی توسط این مدل، میانگین خطای بالای نیروی تماسی مفصل زانو (%60<) را در افراد موجود در مجموعه داده ی آزمایشگاهی cams نشان می دهد. برای این منظور از نرم افزار opensim و رابط برنامه نویسی opensim-matlab استفاده شده است. در تحقیق حاضر با استفاده از روش احتمالاتی مونت کارلو، اثر عدم قطعیت در مسیر ماهیچه‌های مدل اسکلتی-عضلانی کتلی بر نیروی تماسی مفصل زانو مورد بررسی قرار گرفته است. میانگین کران اطمینان %95-5 برای خطای نسبی نیروی تماسی زانو در سیکل کامل اسکات %19/02 ± 43/73 و در اسکات عمیق %77 ± 159 محاسبه شده است. بنابراین، اصلاح پارامترهای مربوط به مسیر عضلات در مدل مختص شبیه سازی حرکت اسکات می تواند سبب بهبود نتایج گردد.

investigation of the effect of uncertainty in muscle pathways on the knee joint contact force in an improved musculoskeletal model during squat motion

uncertainty about the musculoskeletal modeling results is one of the main issues that are less investigated by users. although the results of these models are accurate enough for gait activities, high errors were reported for activities with deep knee bending likesquatting tasks. recently, by updating the wrapping surfaces in a powerful musculoskeletal model (rajagopal), an updated version for deep squatting (catelli) has been released. but high average errors are reported in simulations using this model for camssubjects. opensim software and opensim-matlab api were used. in this study, the effect of uncertainty in the muscle pathways of a scaled version of the catelli model on the knee contact force was studied using the probabilistic monte carlo approach. 43.7±19.02% confidence bounds of kcf error during a squat cycle and 159±77% in deep squat were computed. therefore, more corrections in muscle pathways parameters in the model specified for simulating squat motion could improve the results.