Improving Knee Joint Angle Prediction through Dynamic Contextual Focus and Gated Linear Units

要約

正確な膝関節角度の予測は、生体力学的解析やリハビリテーションにおいて極めて重要である。本研究では、特徴依存性と相互作用を強化するために、Dynamic Contextual Focus（DCF）AttentionとGated Linear Units（GLU）を組み込んだ新しい深層学習モデルであるFocalGatedNetを紹介する。我々のモデルを大規模データセットで評価し、多段階歩行軌跡予測における確立されたモデルと比較する。その結果、FocalGatedNetは、長時間の予測長（20ms、60ms、80ms、100ms）において既存モデルを上回り、平均絶対誤差（MAE）と二乗平均平方根誤差（RMSE）で有意な改善を示した。特に80msの場合、FocalGatedNetはTransformerと比較して、最大24%のMAE削減、最大14%のRMSE削減、最大36%のMAPE削減を達成し、複雑な膝関節角度パターンを捉える有効性を強調している。さらに、FocalGatedNetは、ほとんどの同等のディープラーニングモデルよりも低い計算負荷を維持するため、リアルタイムのバイオメカニクス解析やリハビリテーションのアプリケーションに効率的な選択肢となります。

要約(オリジナル)

Accurate knee joint angle prediction is crucial for biomechanical analysis and rehabilitation. In this study, we introduce FocalGatedNet, a novel deep learning model that incorporates Dynamic Contextual Focus (DCF) Attention and Gated Linear Units (GLU) to enhance feature dependencies and interactions. Our model is evaluated on a large-scale dataset and compared to established models in multi-step gait trajectory prediction. Our results reveal that FocalGatedNet outperforms existing models for long-term prediction lengths (20 ms, 60 ms, 80 ms, and 100 ms), demonstrating significant improvements in Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). Specifically for the case of 80 ms, FocalGatedNet achieves a notable MAE reduction of up to 24\%, RMSE reduction of up to 14\%, and MAPE reduction of up to 36\% when compared to Transformer, highlighting its effectiveness in capturing complex knee joint angle patterns. Moreover, FocalGatedNet maintains a lower computational load than most equivalent deep learning models, making it an efficient choice for real-time biomechanical analysis and rehabilitation applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL