Contributing Components of Metabolic Energy Models to Metabolic Cost Estimations in Gait

要約

目的: 代謝コストは人間の歩行に影響を与える主な要因であるため、代謝エネルギー消費モデルについて理解を深めたいと考えています。
したがって、この論文では、正確な代謝コストの推定に寄与する、筋肉や関節の状態などのパラメーターと入力変数を特定します。
方法: モンテカルロ感度分析で 4 つの代謝エネルギー消費モデルのパラメーターを調査しました。
次に、計算された感度指数、生理学的状況、および歩行サイクル中の結果として得られる代謝率によってモデル パラメーターを分析しました。
モンテカルロ シミュレーションで最も高い精度を備えたパラメーターの組み合わせは、準最適化されたモデルを表しました。
2 番目のステップでは、さまざまな入力特徴でトレーニングされたニューラル ネットワークの精度を分析することにより、入力パラメーターと変数の重要性を調査しました。
結果: 電力関連パラメータは、感度分析とニューラル ネットワーク ベースの特徴選択に最も影響を与えました。
私たちは、準最適化モデルが負の代謝率を生成し、筋肉生理学に矛盾することを観察しました。
ニューラル ネットワーク ベースのモデルは有望な能力を示しましたが、従来の代謝エネルギー消費モデルの精度に匹敵することはできませんでした。
結論: パワー関連の代謝エネルギー消費モデルのパラメーターと入力が歩行中に最も影響を与えることを示しました。
さらに、我々の結果は、ニューラルネットワークベースの代謝エネルギー消費モデルが実行可能であることを示唆しています。
ただし、より高い精度を達成するには、より大きなデータセットが必要です。
重要性: より正確な代謝エネルギー消費モデルが必要であるため、代謝エネルギーを推定するモデルを開発する際にどの筋骨格パラメータが不可欠であるかを調査しました。

要約(オリジナル)

Objective: As metabolic cost is a primary factor influencing humans’ gait, we want to deepen our understanding of metabolic energy expenditure models. Therefore, this paper identifies the parameters and input variables, such as muscle or joint states, that contribute to accurate metabolic cost estimations. Methods: We explored the parameters of four metabolic energy expenditure models in a Monte Carlo sensitivity analysis. Then, we analysed the model parameters by their calculated sensitivity indices, physiological context, and the resulting metabolic rates during the gait cycle. The parameter combination with the highest accuracy in the Monte Carlo simulations represented a quasi-optimized model. In the second step, we investigated the importance of input parameters and variables by analysing the accuracy of neural networks trained with different input features. Results: Power-related parameters were most influential in the sensitivity analysis and the neural network-based feature selection. We observed that the quasi-optimized models produced negative metabolic rates, contradicting muscle physiology. Neural network-based models showed promising abilities but have been unable to match the accuracy of traditional metabolic energy expenditure models. Conclusion: We showed that power-related metabolic energy expenditure model parameters and inputs are most influential during gait. Furthermore, our results suggest that neural network-based metabolic energy expenditure models are viable. However, bigger datasets are required to achieve better accuracy. Significance: As there is a need for more accurate metabolic energy expenditure models, we explored which musculoskeletal parameters are essential when developing a model to estimate metabolic energy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google