摘要

骨骼肌模型能够用于确定动态运动过程中作用于人体内部的力，这一能力在临床应用中具有重要意义。然而，传统的建模方法往往存在计算速度慢、需要大量输入数据等局限性。近年来，研究者开始关注利用监督学习构建计算密集型过程的近似模型，以提升计算效率与灵活性。本文采用深度神经网络，学习从运动学空间到肌力空间的映射关系。该网络基于156名受试者在步行过程中的运动学、动力学及肌电图（EMG）测量数据进行训练，其预测的内部力大小与基于骨骼肌建模方法所得结果具有良好的一致性。在另一组独立实验中，利用国际公认的建模性能评估基准——“国际大挑战竞赛”（Grand Challenge competitions）的数据进行训练，所生成的预测结果在六项竞赛中的四项优于当年获胜团队的提交方案。该方法显著提升了计算速度，使其可集成至实验室系统中，实现力的实时估算。同时，对训练完成的神经网络进行深入分析，揭示了群体水平上运动学与动力学因素之间的新型关联关系，为理解人体运动机制提供了新的视角。