[论文解读] Predictive Analysis for Detection of Human Neck Postures using a robust integration of kinetics and kinematics

Korupalli V Rajesh Kumar, Susan Elias|arXiv (Cornell University)|Mar 12, 2020

Ergonomics and Musculoskeletal Disorders参考文献 27被引用 4

一句话总结

本文提出了一种智能颈带系统，通过将惯性测量单元（IMU）的运动学数据与OpenSim模拟的骨骼肌模型的动力学数据相结合，利用随机森林机器学习方法，实现了100%准确的人体颈部姿势预测。该方法融合了惯性传感器数据与个体化颈部骨骼肌建模，可实现实时检测不良姿势，适用于预防性医疗应用。

ABSTRACT

Human neck postures and movements need to be monitored, measured, quantified and analyzed, as a preventive measure in healthcare applications. Improper neck postures are an increasing source of neck musculoskeletal disorders, requiring therapy and rehabilitation. The motivation for the research presented in this paper was the need to develop a notification mechanism for improper neck usage. Kinematic data captured by sensors have limitations in accurately classifying the neck postures. Hence, we propose an integrated use of kinematic and kinetic data to efficiently classify neck postures. Using machine learning algorithms we obtained 100% accuracy in the predictive analysis of this data. The research analysis and discussions show that the kinetic data of the Hyoid muscles can accurately detect the neck posture given the corresponding kinematic data captured by the neck-band. The proposed robust platform for the integration of kinematic and kinetic data has enabled the design of a smart neck-band for the prevention of neck musculoskeletal disorders.

研究动机与目标

• 开发一种用于实时检测人体颈部姿势的稳健系统，以预防颈椎肌肉骨骼疾病。
• 通过整合肌肉力量的动力学数据，克服仅依赖运动学传感的局限性，提升姿势分类准确率。
• 设计一种可穿戴智能颈带，为不正确颈部使用提供及时提醒。
• 验证将IMU获取的运动学数据与OpenSim模拟的动力学数据相结合用于姿势预测的有效性。
• 利用机器学习对融合的运动学与动力学数据进行高精度预测分析。

提出的方法

• 配备IMU的弹性颈带在受试者进行颈部运动任务时，实时捕获加速度、位置、速度等运动学数据。
• 通过在关键解剖标志点设置标记点，采用功能校准方法，将颈带IMU获取的运动学数据映射至个体化OpenSim骨骼肌模型。
• OpenSim中的逆运动学（IK）工具处理标记点数据，生成表示关节运动学的运动文件（.mot）。
• OpenSim中的计算肌控制（CMC）工具利用.mot文件计算肌肉力量、激活程度和肌腱力，生成颈部肌肉（特别是舌骨肌）的动力学数据。
• 提取运动学与动力学数据（加速度、位置、肌腱力）作为机器学习分类的输入特征。
• 使用融合后的数据对随机森林分类器进行训练与测试，以高精度预测九种不同的颈部姿势。

实验结果

研究问题

• RQ1 将运动学与动力学数据相结合，是否能显著提升人体颈部姿势分类的准确率，超越仅使用运动学数据的性能？
• RQ2 基于可穿戴颈带的IMU运动学数据，在OpenSim骨骼肌模型中进行映射与模拟的效率如何？
• RQ3 机器学习模型（尤其是随机森林）在结合运动学与动力学特征时，对颈部姿势的分类能力有多强？
• RQ4 所提出的系统能否可靠地实现实时检测并通知用户存在不良颈部姿势，以预防肌肉骨骼疾病？
• RQ5 当以舌骨肌的肌腱力数据作为动力学输入时，系统的预测性能如何？

主要发现

• 使用IMU获取的运动学数据（加速度与位置）作为输入，随机森林分类器在预测九种不同颈部姿势时达到了100%的准确率。
• 使用OpenSim模型中舌骨肌肌腱力推导的动力学数据作为输入，同一分类器在预测颈部姿势时也达到了100%的准确率。
• 将IMU运动学数据与OpenSim模拟的动力学数据相结合，显著提升了姿势分类的可靠性与精确度。
• IMU数据与OpenSim模型的功能校准，实现了颈部关节运动学与肌肉力量动态的精确重建。
• 该系统成功展示了通过预测分析实现实时检测不良颈部姿势的潜力，支持预防性医疗应用。
• 结果表明，舌骨肌的动力学数据即使在运动学数据单独表现有限的情况下，也能提供极具区分力的信号，显著提升姿势分类性能。