مقایسه عملکرد مدل اسکلتی-عضلانی راجاگوپال و نسخه‌های بروزشده‌ آن در پیش بینی نیروی تماسی مفصل زانو حین دو فعالیت راه رفتن و اسکات

مدل‌های اسکلتی-عضلانی ابزاری قدرتمند و پرکاربرد جهت تخمین غیر تهاجمی نیروهای داخلی بدن هستند. علی رغم دقت بالای این مدل‌ها برای حرکات گیت، اما پایین بودن دقت آ‌ن‌ها برای حرکاتی با درجات خمش شدید مفاصل زانو و لگن، به اثبات رسیده است. اخیرا با بروزرسانی یکی از مدل‌های قدرتمند موجود (راجاگوپال)، دو نسخه‌ی جدید از آن برای شبیه‌سازی حرکات دوچرخه زدن (لی) و اسکات عمیق (کتلی) منتشر شده است. در تحقیق حاضر به مقایسه‌ی نتایج این سه مدل برای حرکات راه رفتن و اسکات با استفاده از مجموعه داده‌ی کمز و نرم افزار اپن‌سیم پرداخته شده است. برای راه رفتن میزان فعالیت ماهیچه‌ها در هر سه مدل تقریبا یکسان بوده و با داده‌های emg همخوانی کافی دارد. نیروی تماسی مفصل زانو نیز برای سه مدل تفاوت ناچیزی داشته و از دقت کافی برخوردار است (%20>خطای سیکل). درحرکت اسکات، سطح فعالیت ماهیچه‌ها در سه مدل دارای اختلافات قابل توجه بوده و با داده‌های emg نیز تفاوت‌ چشم‌گیری دارند. همچنین علی رغم این‌که خطای ماکزیمم نیروی تماسی مفصل زانو در مدل‌های کتلی (%60) و لی (%72)، نسبت به مدل راجاگوپال (%83) کاهش یافته است، اما بالا بودن مقدار خطا در این دو مدل نشان‌دهنده‌ی ناکافی بودن اصلاحات انجام شده در آن‌هاست.

Comparison the Performance of Rajagopal Musculoskeletal Model and its Updated Versions in Prediction of the Knee Joint Contact Forces During Walking and Squatting

Musculoskeletal models are powerful and practical tools to estimate internal body loads noninvasively. Although they are accurate enough for gait activities, large errors have been seen for activities with deep hip and knee flexion angles. Recently two studies have updated one of the existing powerful models (Rajagopal) and proposed new models for pedaling (Lai) and deep squatting (Catelli). This study compares these three models during level walking and squatting using the CAMSKnee datasets and OpenSim software. For level walking, there was generally good agreement between all models in predicted muscle activations and EMG signals. There are low discrepancies in predicted KCFs by different models and invivo data (average error <20%). For squatting, muscle activation patterns have significant differences in various models and they showed considerably larger discrepancies from the EMG measurements. Our study found average peak KCF errors of 60% for Catelli, 72% for Lai, and 83% for the Rajagopal model. Although the errors are reduced in updated models, they still represent high errors that indicate the inadequacy of changes made in these models.