人工神经网络用于预测在负载处理活动过程中地面反作用力、足部压力中心、脊柱负荷以及躯干肌肉的力量

《Journal of Biomechanics》：Artificial neural networks for predicting ground reaction forces, feet centers of pressure, spine loads, and trunk muscle forces during load-handling activities

人工神经网络替代复杂模型预测脊柱负荷、肌肉力和地面反作用力，通过36,720次AnyBody模拟任务验证，在多数参数上表现优异（nRMSE 2.6%-11.2%，R2 0.59-0.97），适用于职业安全评估。

　　

S.N. Hosseini|S. Daroudi|M. Mohseni|N. Arjmand

伊朗德黑兰沙里夫理工大学机械工程系

摘要

过度的脊柱负荷是导致职业性肌肉骨骼损伤的关键因素。目前有许多生物力学模型可用于评估这些负荷，从简单的模型到高度复杂的模型都有。虽然简单模型往往缺乏准确性，但复杂模型在实际应用中又过于繁琐。我们的目标是开发一套易于使用的人工神经网络（ANN），以复制详细肌肉骨骼模型（即AnyBody Modeling System，AMS）的输出结果。从20名参与者那里收集了运动学数据，每位参与者完成了204项负荷处理任务，结合9种手部负荷大小，共计在AMS中模拟了36,720项任务。这些ANN被训练用来将输入数据（手部负荷的位置和大小、体重和身高、举重技巧以及处理技巧）映射到AMS的输出数据（T12-S1脊柱负荷、躯干肌肉力量、地面反作用力（GRFs）和脚部压力中心（CoPs））。ANNs表现出良好的预测性能，归一化均方根误差（nRMSE）范围为2.6%至11.2%，R2值介于0.59到0.97之间。对于压缩负荷和前后剪切负荷、垂直GRFs以及CoPs，ANNs的表现优于水平GRFs和内外侧剪切负荷（nRMSE < 6.4%，R2 < 0.97；而对于水平GRFs和内外侧剪切负荷，nRMSE > 7.2%，R2 < 0.68）。在预测的肌肉力量中，竖脊肌的误差最低（nRMSE = 6.8%，R2 = 0.88），其次是外斜肌（nRMSE = 8.0%，R2 = 0.84）和多裂肌（nRMSE = 8.2%，R2 = 0.81）。对两名未参与研究的受试者进行的外部验证表明，所提出的ANNs具有良好的泛化能力，特别是在CoPs、垂直GRFs和腰部前后剪切负荷方面（R2 ≈ 0.86–0.93；nRMSE ≈ 4.8–7.1%），而主要躯干肌肉力量的预测表现也较为可接受（R2 ≈ 0.57–0.77）。这些发现表明，ANNs为复杂的生物力学模拟提供了有前景的替代方案，可能有助于将其整合到职业风险评估框架中。

引言

肌肉骨骼脊柱疾病是一个重大的公共卫生问题，具有高发病率和巨大的经济负担（Dagenais等人，2008年；Hoy等人，2012年）。职业活动，特别是涉及高强度（过载）和/或重复性（过度使用）条件下的手动物料处理任务，是导致这些疾病的主要因素之一（Kuijer等人，2014年；Thiese等人，2014年；Van Nieuwenhuyse，2004年）。因此，在过载（Arjmand等人，2013年）和过度使用（Coenen等人，2012年）情况下，评估脊柱负荷和躯干肌肉力量对于正确评估和有效管理腰背部肌肉骨骼损伤至关重要。生物力学肌肉骨骼模型已被广泛用于估算各种职业活动中的这些负荷（Arjmand等人，2013年；Calder和Potvin，2012年；Damsgaard等人，2006年；Delp等人，2007年；Khoo等人，1995年；Subramaniyam等人，2015年；Zargarzadeh等人，2024年）。

研究负荷处理活动的脊柱肌肉骨骼模型通常需要身体姿势、地面反作用力（GRFs）和/或脚部压力中心（CoPs）作为输入数据（Favier等人，2021年）。尽管使用基于实验室的力板是测量GRFs和CoPs的金标准方法，但其相关的成本、时间和技术要求限制了其在实际工作站中的应用（Dorschky等人，2019年）。作为替代方案，逆动力学方法被用来无需实验室设备即可估算GRFs和CoPs（Dorschky等人，2019年；Fluit等人，2014年；Skals等人，2017年）。在最近的一项研究中，我们评估了AnyBody Modeling System（AMS，AnyBody Technology，奥尔堡，丹麦）对GRFs和CoPs的预测准确性，发现其平均误差通常小于15%（Daroudi等人，2024年）。一个更有效的解决方案是开发用户友好的工具，以映射负荷处理活动参数（例如手部负荷的位置和大小以及个人的体重和身高）与AMS输出之间的关系。虽然存在几种用于预测步态活动中GRFs和CoPs的人工神经网络（ANNs）（Lee和Park，2020年；Lim等人，2019年；Oh等人，2013年），但目前尚无ANN可用于预测负荷处理活动中的这些参数。

同样，虽然可以通过详细的内部、开放访问或商业肌肉骨骼模型在负荷处理活动中估算脊柱负荷和肌肉力量，但这些模型在实际工作站中实现起来较为复杂，难以快速应用。为了解决这个问题，我们通过回归方程（Arjmand等人，2012年；Arjmand等人，2011年）和ANNs（Arjmand等人，2013年）提供了一种将脊柱负荷/肌肉力量与负荷处理参数之间的映射方法，但该模型无法模拟躯干偏离矢状面的负荷处理活动（即非对称负荷处理任务）。此外，一些重要的任务和受试者特定参数（如体重、身高和举重技巧（弯腰与蹲下）并未被纳入我们之前的映射工具中。

在我们之前的工作中，已经开发了ANNs来通过将负荷处理参数与测量到的身体关节坐标和角度相关联来预测人体姿势（Aghazadeh等人，2020年；Ahmadi等人，2025年；Gholipour和Arjmand，2016年；Hosseini和Arjmand，2024年；Hosseini等人，2025年；Mohseni等人，2024年）。本研究旨在开发十二个不同的ANNs，以映射详细肌肉骨骼模型（AMS，版本7.3，AnyBody Technology，奥尔堡，丹麦）的输入输出之间的关系，适用于广泛的三维负荷处理任务。具体包括：

1.

三个ANN用于预测所有腰椎水平（T12-L1至L5-S1）的压缩负荷、前后负荷和内外侧负荷；

2.

六个ANN用于估算主要躯干肌肉的力量，包括竖脊肌、多裂肌、外斜肌、内斜肌、腰方肌和腰大肌；

3.

两个ANN用于预测双脚的水平和垂直GRFs；

4.

一个ANN用于预测双脚的CoPs的前后和内外侧位置。

每个ANN的输入包括手部负荷的三维位置和大小、体重、身高、举重技巧（直立站立、弯腰、半蹲和全蹲）以及处理技巧（单手和双手）。这些ANN的预测准确性通过内部交叉验证和独立的外部验证数据集进行了评估，该数据集包含未在ANN训练过程中出现的受试者和任务条件，即通过将ANN预测结果与相应的AMS肌肉骨骼建模输出进行比较。假设这些易于使用的ANNs，特别是与我们之前开发的姿势预测ANNs结合使用时，可以提供关于负荷处理任务期间腰脊柱负荷、躯干肌肉力量、GRFs和CoPs的直接可靠估计，从而无需收集实验数据和复杂的肌肉骨骼建模来进行职业风险评估和管理。

受试者和任务

在获得机构伦理委员会批准（批准编号：IR.IUMS.REC.1401.740）和知情同意后，有20名健康的右利手男性参与者自愿参与了这项研究（体重73.7±10.1公斤，身高177.8±4.2厘米，年龄24±2岁）。所有参与者在研究前的六个月内均无肌肉骨骼疾病史。每位参与者从中性直立姿势完成了204项负荷到达任务，同时使用

结果

训练了十二个ANN，并优化了它们的超参数（表2）。所有ANN中最常用的学习率为0.001，激活函数为ReLU或指数线性单元（ELU）。每个ANN的神经元数量和层数根据目标输出而有所不同。基于随机分割验证和LOSO交叉验证方法的训练ANN的预测准确性均表现为良好到优秀（表3、图4、图5、图6）。

讨论

本研究旨在开发和评估一组ANN，用于预测详细肌肉骨骼模型（AMS）的输出，包括GRFs、CoPs、腰脊柱负荷以及主要躯干肌肉的力量，在一系列三维对称和非对称负荷处理任务中。利用20名健康男性参与者收集的运动学数据（每位参与者完成204项负荷处理任务），结合手部负荷大小的模拟变化，共模拟了36,720项负荷处理任务

结论

开发了一套新的ANN，用于预测在广泛的三维负荷处理任务中的GRFs、CoPs、腰脊柱负荷和选定的躯干肌肉力量。这些预测基于有限的一组易于测量的任务和个人相关输入数据，并通过AMS进行了大量模拟。ANNs在受试者和任务之间表现出良好的泛化能力，突显了它们在肌肉骨骼应用中的潜在价值

CRediT作者贡献声明

S.N. Hosseini：撰写——审稿与编辑、撰写——初稿、可视化、验证、方法论、数据分析、概念化。S. Daroudi：撰写——审稿与编辑、撰写——初稿、方法论、数据分析、概念化。M. Mohseni：撰写——审稿与编辑、撰写——初稿、方法论、调查、数据分析、概念化。N. Arjmand：撰写——审稿与编辑、撰写——初稿、可视化、验证

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了伊朗德黑兰沙里夫理工大学（Grant No: AI 4030552）的资助。作者衷心感谢Mohammad Parnianpour教授和Amin Komeili博士提供的宝贵支持和资金援助。