نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• علیرضا رضائی زنگنه ¹
• رامیلا عابدی آذر ²
• حمیدرضا ناصرپور ³
• سید حامد حسینی نسب ⁴

¹ آزمایشگاه ملی نقشه برداری مغز ایران

² دانشکده مهندسی پزشکی، دانشگاه صنعتی امیر کبیر، تهران، ایران

³ دپارتمان بیومکانیک و آسیب شناسی ورزشی ، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه خوارزمی، تهران، ایران.

⁴ آزمایشگاه بیومکانیک حرکت، مؤسسه فناوری فدرال زوریخ، زوریخ، سوئیس

چکیده

نیروی تماسی مفصل زانو نقش مهمی در بروز و پیشرفت بیماری استئوآرتریت زانو دارد که از آن به عنوان معیاری برای رصد فرآیند توانبخشی پس از جراحی آرتروپلاستی زانو و طراحی پروتز استفاده می شود. در حال حاضر، سنجش نیروی تماسی زانو مبتنی بر داده‌های استخراج شده از آزمایشگاه‌های تجزیه ‌و تحلیل حرکت است. ترکیبی از شبکه‌های عصبی مصنوعی و فناوری حسگرهای پوشیدنی می‌تواند بر محدودیت‌های تحمیل‌شده در اندازه‌گیری نیروی تماسی مفصل توسط تجزیه ‌و تحلیل‌های آزمایشگاهی غلبه کند. بنابراین، مطالعۀ حاضر با هدف بررسی پتانسیل یک شبکۀ عصبی تماماً متصل در برآورد پیوستۀ نیروی تماسی مفصل زانو از طریق داده‌های مستخرج از سه واحد اندازه‌گیری اینرسی متصل به سگمنت‌‌های لگن، ران و ساق صورت گرفت. نیروهای عکس‌العمل زمین و داده‌های سه‌بعدی مارکرهای متصل به 10 داوطلب مرد سالم حین راه رفتن به ترتیب با نرخ‌ نمونه‌برداری 1000و 200 هرتز ثبت شدند. با استفاده از یک مدل عمومی از نرم افزار اپن سیم و از طریق روش بهینه‌سازی استاتیکی، نیروی تماسی مفصل زانو برآورد شد و به عنوان سیگنال هدف شبکه عصبی در نظر گرفته شد. همچنین، داده‌های سه بعدی شتاب خطی و سرعت زاویه‌ای محاسبه شده توسط سه حسگر اینرسیایی به عنوان ویژگی‌های ورودی‌ شبکۀ عصبی در نظر گرفته شدند و عملکرد شبکه در دو سطح درون و میان آزمودنی مورد بررسی و ارزیابی قرار گرفت. نتایج نشان داد که شبکه عصبی مورد استفاده در پژوهش حاضر پیش‌بینی پیوستۀ نیروی تماسی مفصل زانو را به ترتیب با دقت %89 و %79 در سطوح درون‌ و میان آزمودنی امکان‌پذیر می‌سازد. نتایج این پژوهش نوید دهندۀ امکان به کارگیری حسگرهای اینرسیایی در پیش‌بینی پیوستۀ نیروی تماسی مفصل زانو در حین زندگی روزمره و فعالیت‌های ورزشی بی‌نیاز از تجهیزات گران قیمت آزمایشگاهی و دانش تخصصی است.

کلیدواژه‌ها

• واحد اندازه گیری اینرسی نیروی تماسی زانو
• آرتروز مفصل زانو
• برآورد پیوسته
• شبکه های عصبی مصنوعی
• مدل سازی اسکلتی-عضلانی
• اپن سیم

موضوعات

• بیومکانیک

عنوان مقاله [English]

IMU-Based Estimation of the Knee Contact Force using Artificial Neural Networks

نویسندگان [English]

• Alireza Rezaie Zangene ¹
• Ramila Abedi Azar ²
• Hamidreza Naserpour ³
• seyyed hamed hosseini nasab ⁴

¹ Iranian National Brain Mapping Lab

² Department of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran

³ Department of Sport Biomechanics and Sport injuries, Faculty of Physical education and Sport Science, Kharazmi University, Tehran, Iran.

⁴ Laboratory for Movement Biomechanics ETH Zürich Zürich, Switzerland

چکیده [English]

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. The combination of artificial neural networks (ANNs) and wearable technology can overcome 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) sensors attached to the pelvis, thigh, and shank segments. Ten healthy male volunteers participated in this study. The 3D marker trajectories and ground reaction forces (GRF) were captured at 200 Hz and 1000 Hz sampling frequencies during level-ground walking. Using a generic OpenSim model, the KCF was estimated through static optimization. The resultant KCF estimated by the musculoskeletal model was then used as the target of the neural network, while linear acceleration and 3D angular velocity data captured by three IMUs were considered as the network inputs. The network performance 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-subject levels, respectively. The results of this study promise the possibility of using IMU sensors in predicting KCF outside the lab and during daily activities.

کلیدواژه‌ها [English]

• Inertial Measurement Unit
• Knee Contact Force
• Knee osteoarthritis
• Continuous estimation
• Artificial Neural Networks
• Musculoskeletal modeling
• OpenSim