Gait2Hip-60：多節奏步態運動學預測髖部肌肉力與關節力矩的統一深度學習基準

研究論文提出Gait2Hip-60，這是一個統一的深度學習基準，旨在直接從下肢步態運動學預測髖部肌肉力和關節力矩，以替代傳統耗時的骨骼肌肉模擬方法。數據收集自60名健康成年人，在三種節奏條件下進行，使用十個雙側下肢關節角度作為輸入，並以OpenSim衍生的數據作為參考輸出。研究比較了LSTM、Transformer和Mamba三種深度學習模型，採用相同的受試者級別分割、預處理流程和評估指標。結果顯示，在健康受試者的基準測試中，Transformer模型在髖部肌肉力預測（RMSE = 1.33 N/kg，R2 = 0.819）和關節力矩預測（RMSE = 0.11 Nm/kg，R2 = 0.862）上均表現最佳，且優勢跨不同步行節奏保持。此外，最佳模型在未經重新訓練的情況下，直接應用於外部隊列的9名股骨頭壞死患者，顯示出中等預測能力（髖部肌肉力預測R2 = 0.537）。這些發現支持了從步態運動學估計髖部動態的可行性，並識別出Transformer作為強基線，但強調在臨床應用前需要更廣泛的病理驗證和改進泛化能力。