利用人工神经网络，根据地面反作用力预测年轻人和老年人行走时质心与压力中心之间的距离

《Gait & Posture》：Predicting the distance between the center of mass and center of pressure during walking in the young and elder population based on ground reaction forces using artificial neural network

中心 масс和压轴心的动态平衡预测研究。通过力 plates数据训练人工神经网络模型，准确预测步态中mass-press轴心位移，验证模型在老年群体中的适用性。

　　

张楚芬|林安妮·迪克西·M.|洪世文|卢同武|李凯莉·I-荣

台湾慈济大学物理治疗系

摘要

引言

评估步态过程中身体重心（COM）与压力中心（COP）之间的相互作用有助于深入了解动态平衡控制机制。然而，传统的运动捕捉方法成本高昂且在临床环境中不切实际，这凸显了寻找更便捷替代方案的必要性。本研究利用力板数据探讨了人工神经网络（ANN）在预测行走时COM相对于COP的运动方面的应用。

材料与方法

84名健康成年人（50名年轻参与者，34名老年人）在步道上进行了步态测试，并同时收集了运动捕捉数据和力板数据。计算了支撑相阶段的地面反作用力（GRFs）以及COM-COP距离（dCOM）。基于GRFs和人体测量数据，开发了多层感知器（MLP）人工神经网络（ANN）模型，用于预测前后方向（AP）和内外侧方向（ML）的dCOM以及COM高度。模型性能通过均方根误差（RMSE）和决定系数（R²）进行评估。

结果

ANN模型在最佳隐藏层规模为5（AP方向）和9（ML方向）时达到了较高的预测精度。RMSE值介于0.89%至7.77%之间，R²值介于0.74至0.92之间。在ML方向和COM高度上观察到显著的年龄相关差异（p < 0.05），但在AP方向上没有差异。

结论

本研究表明，ANN模型是一种准确且低成本的动态平衡评估工具，能够可靠地预测多个方向上的dCOM。计算值与预测值之间的一致性支持其在老年人跌倒风险评估和个性化干预计划中的应用。

引言

与年龄相关的生理变化显著影响老年人的平衡能力和移动能力，导致跌倒成为主要的公共卫生问题[1]。随着全球人口老龄化，理解这些变化对于制定有效的干预措施和提高这一人群的生活质量至关重要[1]。导致跌倒和移动障碍的主要因素包括灵活性下降和肌肉无力，这些因素尤其影响肌肉和感觉系统。这些障碍常常导致行走时的动态平衡能力减弱。全面理解动态平衡对于解决与年龄相关的问题至关重要。评估动态平衡的一种有效方法是分析运动过程中身体重心（COM）与压力中心（COP）之间的相互作用[2]、[3]、[4]。特别是，研究支撑脚的COM与COP之间的关系可以提供关于步态稳定性和平衡控制的宝贵见解[5]、[6]、[7]、[8]、[9]。

COM与COP之间的距离较大通常意味着维持或恢复平衡需要更多的努力和能量，因为此时将COM保持在支撑范围内变得更加困难[4]、[10]、[11]。这些发现表明，衰老会损害整体平衡控制能力，如功能性任务中的COM-COP动态变化所示[3]、[4]、[8]。了解衰老如何影响平衡和步态对于设计有针对性的干预措施至关重要。COM与COP在前后方向（AP）和内外侧方向（ML）之间的距离反映了相对于支撑面的动态稳定性，对于评估跌倒风险至关重要。COM高度由倒立摆模型确定，反映了步态的能量效率和补偿控制策略[12]。除了瞬时COM-COP距离外，重心偏移量（eCOM）还提供了关于运动变异性和控制的临床相关信息。COM高度和ML方向的COM位移遵循正弦波模式，这与步态过程中的稳定性变化有关，较大的ML方向eCOM值通常表明老年人的平衡能力受损。COM-COP距离和三个方向上的eCOM共同构成了评估姿势控制和与年龄相关的步态适应性的综合框架[12]。这些方法为理解姿势控制和功能稳定性机制提供了宝贵见解。

然而，传统的步态分析方法（如运动捕捉系统）存在若干局限性和实际挑战。虽然这些系统有助于追踪身体各部分的运动，但它们通常成本高昂、耗时较长且需要复杂的设置。此外，某些动作中标记物可能会被遮挡，由于相机放置的限制，分析空间有限，同时难以复制自然环境或不同地形。这些缺点凸显了寻找更实用和便捷的评估方法的需求。

最近的进展引入了利用惯性传感器或力板估计COM位移和速度的方法。这些方法通常涉及对加速度数据进行双重积分，并依赖于复杂的生物力学方程[13]、[14]、[15]。然而，其准确性往往受到积分过程初始假设的影响。此外，这些技术通常针对静态条件进行优化，限制了它们在行走等动态活动中的有效性[14]。

为了解决这些挑战，人们越来越关注开发能够利用简化运动数据预测平衡能力的方法。人工神经网络（ANN）的应用是一种有前景的方法，尤其在输入测量值与目标变量之间存在已知关系时，ANN在生物力学数据建模方面表现出强大的潜力[16]、[17]、[18]、[19]。在本研究中，选择了多层感知器（MLP）神经网络来预测COM-COP距离，因为它适用于标准化的步态数据，并且能够高效地建模非线性生物力学关系。MLP的简单性、可解释性和出色的实证性能使其特别适合临床应用。

将ANN与力板数据结合使用可能提供一种更准确、更高效的平衡评估方法，尤其是在动态环境中。因此，本研究的目的是评估ANN模型在将地面反作用力（GRFs）映射到全身动态稳定性（通过COM与COP之间的相对运动来体现）方面的有效性。

材料与方法

本研究招募了84名参与者，包括50名年轻成年人和34名老年人（表1）。所有参与者均提供了书面知情同意书，研究获得了机构研究委员会的批准。纳入标准要求参与者没有当前的疼痛症状，以确保步态模式不受疼痛影响。此外，参与者不能有平衡障碍或跌倒的历史，并且能够行走。

结果

根据分析，AP-dCOM、ML-dCOM和COM高度的最佳神经元数量分别为5个、9个和5个，从而确保了最佳的预测精度（图1）。

预测轨迹在整个步态周期内与计算值紧密匹配（图2）。ANN模型表现出强大的预测性能，表现为低RMSE值（以腿长的百分比表示）和高决定系数（R²）。

讨论

本研究证明了ANN模型在准确预测行走过程中COM与COP之间位移方面的可行性和可靠性。与传统运动捕捉方法相比，ANN模型具有成本更低、准备时间更短以及在各种环境中更容易实施的优点。这些模型能够有效地将GRFs映射到动态稳定性指标上，表明它们具有强大的预测能力和模型泛化能力。低RMSE值进一步证实了这一点。

结论

ANN模型基于力板数据展示了在动态平衡评估方面的强大潜力，这与以往的临床步态研究结果一致。这些模型为传统运动捕捉系统提供了一种实用且经济高效的替代方案，尤其在资源有限的临床环境中具有优势。未来模型的改进，如纳入更全面的生物力学输入等，将进一步提升其效果。

作者贡献声明

卢同武：撰写——审稿与编辑、监督、软件开发、数据管理、概念构思。洪世文：撰写——初稿撰写、验证、软件开发、方法论设计、实验研究、概念构思。李凯莉·I-荣：撰写——初稿撰写、验证、实验研究、数据分析、形式化分析、数据管理。林安妮·迪克西·M.：撰写——初稿撰写、验证、方法论设计、数据分析、形式化分析。张楚芬：验证、监督、实验研究、数据分析、形式化分析。

利益冲突声明

无。

致谢

作者衷心感谢台湾花莲慈济大学的财政支持（资助编号：TCMRC-P-113014）。