Gait2Hip-60：基于多节奏步态运动学预测髋部肌肉力和关节力矩的统一深度学习基准

arXiv cs.LG 论文
deep-learning gait-analysis biomechanics hip-dynamics transformer benchmark healthcare

摘要

本文介绍了Gait2Hip-60基准数据集和深度学习框架，用于从步态运动学预测髋部肌肉力和关节力矩，并对LSTM、Transformer和Mamba模型进行了比较。Transformer取得了最佳性能，在零样本泛化到病理步态时表现中等。

arXiv:2605.30374v1 公告类型: 新论文 摘要: 在步态中估计髋部肌肉力和关节力矩通常依赖于肌肉骨骼仿真，这种方法信息丰富但耗时且难以在临床环境中应用。本研究开发了一个深度学习框架，直接从下肢步态运动学预测这些髋部动力学参数，并在统一协议下比较了三种代表性的序列模型。从60名健康成年人中，在三种节拍器引导的步速条件下收集了步态数据。使用十个双侧下肢关节角度作为输入，以OpenSim导出的髋部肌肉力和髋关节力矩作为参考输出。训练并评估了LSTM、Transformer和Mamba三种深度学习模型，采用相同的受试者划分、预处理流程和评估指标。然后将最佳模型直接应用于一个由9名股骨头坏死（ONFH）患者组成的外部队列，无需重新训练。在健康受试者基准测试中，Transformer在髋部肌肉力预测（RMSE = 1.33 N/kg, MAE = 0.57 N/kg, R² = 0.819）和髋关节力矩预测（RMSE = 0.11 Nm/kg, MAE = 0.07 Nm/kg, R² = 0.862）方面均取得了最佳的受试者水平平均性能，并且在不同的步行节奏下都具有相似的优势。在零样本外部验证中，Transformer在ONFH患者的髋部肌肉力预测（RMSE = 1.51 N/kg, MAE = 0.70 N/kg, R² = 0.537）和髋关节力矩预测（RMSE = 0.17 Nm/kg, MAE = 0.12 Nm/kg, R² = 0.569）中保持了中等的预测能力。这些发现支持了从步态运动学估计髋部动力学的可行性，将Transformer确定为一个强基线，并强调了在临床应用之前需要进行更广泛的病理验证和改进泛化能力。
查看原文
查看缓存全文

缓存时间: 2026/06/01 09:22 

# Gait2Hip-60：一种基于多节奏步态运动学预测髋关节肌肉力和关节力矩的统一深度学习基准
来源：https://arxiv.org/abs/2605.30374
查看 PDF (https://arxiv.org/pdf/2605.30374)

> 摘要：通过步态估算髋关节肌肉力和关节力矩通常依赖于肌肉骨骼仿真，该方法信息丰富但耗时且难以应用于临床场景。本研究开发了一个深度学习框架，用于直接从下肢步态运动学预测这些髋关节动力学参数，并在统一协议下比较了三种代表性序列模型。步态数据采集自60名健康成年人，在节拍器引导的三种节奏条件下进行。使用十个双侧下肢关节角度作为输入，以OpenSim导出的髋关节肌肉力和髋关节关节力矩作为参考输出。训练并评估了LSTM、Transformer和Mamba三种深度学习模型，采用相同的受试者级划分、预处理流程和评价指标。随后将最佳模型直接应用于一个外部队列（9名股骨头坏死患者），且未进行再训练。在健康受试者基准测试中，Transformer在髋关节肌肉力预测（RMSE = 1.33 N/kg, MAE = 0.57 N/kg, R² = 0.819）和髋关节关节力矩预测（RMSE = 0.11 Nm/kg, MAE = 0.07 Nm/kg, R² = 0.862）方面均取得了最佳的受试者级平均性能，且在不同步行节奏下优势类似。在零样本外部验证中，Transformer在股骨头坏死患者中对髋关节肌肉力预测（RMSE = 1.51 N/kg, MAE = 0.70 N/kg, R² = 0.537）和髋关节关节力矩预测（RMSE = 0.17 Nm/kg, MAE = 0.12 Nm/kg, R² = 0.569）仍保持中等预测能力。这些发现支持了从步态运动学估算髋关节动力学的可行性，确定了Transformer作为强基线模型，并强调了在临床应用前需要更广泛的病理验证和改进的泛化能力。

## 提交历史

来自：Jiaqi Zhang [查看邮件 (https://arxiv.org/show-email/36131e69/2605.30374)] **\[v1]** 2026年5月24日 星期日 14:00:42 UTC (1,656 KB)

相似文章

tencent/HY-Embodied-0.5

Hugging Face Models Trending

腾讯发布了HY-Embodied-0.5，这是一套为具身AI智能体设计的基础模型套件，采用混合变换器（MoT）架构，提供高效的2B和强大的32B变体，用于真实世界的机器人控制和时空推理。