論文の概要: Gait2Hip-60: A Unified Deep Learning Benchmark for Predicting Hip Muscle Forces and Joint Moments from Multi-Cadence Gait Kinematics

• arxiv url: http://arxiv.org/abs/2605.30374v1
• Date: Sun, 24 May 2026 14:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.119847
• Title: Gait2Hip-60: A Unified Deep Learning Benchmark for Predicting Hip Muscle Forces and Joint Moments from Multi-Cadence Gait Kinematics
• Title（参考訳）: Gait2Hip-60:多段階歩行運動学による股関節筋力と関節運動の予測のための統合学習ベンチマーク
• Authors: Jiaqi Zhang, Ji Hou, Qing Sun, Xianzhi Gao, Bo Huo,
• Abstract要約: 歩行中の股関節筋力と関節モーメントの推定は、典型的には筋骨格シミュレーションに依存する。 本研究では,下肢歩行運動学から直接これらのヒップダイナミックスパラメータを予測するためのディープラーニングフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 14.156448292622136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating hip muscle forces and joint moments during gait typically relies on musculoskeletal simulation, which is informative but time-consuming and difficult to apply in clinical settings. This study developed a deep learning framework to predict these hip dynamics parameters directly from lower-limb gait kinematics and compared three representative sequence models under a unified protocol. Gait data were collected from 60 healthy adults under three metronome-guided cadence conditions. Ten bilateral lower-limb joint angles were used as inputs, and OpenSim-derived hip muscle forces and hip joint moments were used as reference outputs. Three deep learning models of LSTM, Transformer, and Mamba were trained and evaluated using the same subject-level split, preprocessing pipeline, and metrics. The best model was then directly tested on an external cohort of 9 patients with osteonecrosis of the femoral head (ONFH) without retraining. In the healthy-subject benchmark, Transformer achieved the best subject-level mean performance for both hip muscle force prediction (RMSE = 1.33 N/kg, MAE = 0.57 N/kg, R2 = 0.819) and hip joint moment prediction (RMSE = 0.11 Nm/kg, MAE = 0.07 Nm/kg, R2 = 0.862), with similar advantages across walking cadences. In zero-shot external validation, Transformer retained moderate predictive ability in ONFH for hip muscle force prediction (RMSE = 1.51 N/kg, MAE = 0.70 N/kg, R2 = 0.537) and hip joint moment prediction (RMSE = 0.17 Nm/kg, MAE = 0.12 Nm/kg, R2 = 0.569). These findings support the feasibility of estimating hip dynamics from gait kinematics, identify Transformer as a strong baseline, and highlight the need for broader pathological validation and improved generalization before clinical application.
• Abstract（参考訳）: 歩行中の股関節筋力と関節モーメントの推定は、一般的に筋骨格シミュレーションに頼っている。 本研究では,これらのヒップダイナミックスパラメータを下肢歩行運動学から直接予測する深層学習フレームワークを開発し,統合されたプロトコルの下で3つの代表的なシーケンスモデルを比較した。 歩行データは, 健常成人60名を対象に, メトロノーム誘導カデンス条件下で収集した。 両下肢関節角度を入力とし,OpenSim由来の股関節筋力と股関節モーメントを基準出力とした。 LSTM、Transformer、Mambaの3つのディープラーニングモデルをトレーニングし、同じ主題レベルの分割、前処理パイプライン、メトリクスを使用して評価した。 次に, 大腿骨頭壊死症(ONFH)9例の外部コホートを用いて, 再トレーニングなしに, 最良のモデルが直接検査された。 健常者ベンチマークにおいて、トランスフォーマーは、歩行ケイデンスに類似した利点があり、股関節筋力予測(RMSE = 1.33 N/kg、MAE = 0.57 N/kg、R2 = 0.819)と股関節モーメント予測(RMSE = 0.11 Nm/kg、MAE = 0.07 Nm/kg、R2 = 0.862)において、最高の主観レベル平均性能を達成した。 ゼロショット外的検証では、トランスフォーマーはONFHにおいて、股関節筋力予測(RMSE = 1.51 N/kg、MAE = 0.70 N/kg、R2 = 0.537)と股関節モーメント予測(RMSE = 0.17 Nm/kg、MAE = 0.12 Nm/kg、R2 = 0.569)の適度な予測能力を保持した。 これらの知見は,歩行運動学からヒップダイナミックスを推定し,トランスフォーマーを強力なベースラインとみなし,より広い病理的検証の必要性と臨床応用前の一般化の必要性を浮き彫りにした。

関連論文リスト

• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale [38.15316304510102]
  muscleMimicは、生理学的に現実的な筋肉駆動モデルを用いたモーション模倣学習のためのオープンソースのフレームワークである。 筋骨格シミュレーションに計算障壁とデータバリアを下げることにより、マッスルミミックは様々な動的運動にまたがる系統的なモデル検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-26T15:18:37Z)
• Muscle Synergy Priors Enhance Biomechanical Fidelity in Predictive Musculoskeletal Locomotion Simulation [0.0]
  ヒトの移動は高次元の神経筋制御から始まり、予測的な筋骨格シミュレーションを困難にしている。 筋シナジーを用いた制御を制約する生理インフォームド強化学習フレームワークを提案する。 これらの結果から, 強化学習に神経生理学的構造を組み込むことで, 限られた実験データを用いた予測的移動シミュレーションにおいて, 生体力学的忠実度と一般化が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-03-11T06:48:15Z)
• A Feature Extraction Pipeline for Enhancing Lightweight Neural Networks in sEMG-based Joint Torque Estimation [1.9573380763700712]
  肘関節トルクと肩関節トルクの予測のための特徴抽出パイプラインを提案する。 このパイプラインは、時間的依存関係を明示的に設計したネットワークに匹敵する、シンプルなパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-23T12:59:39Z)
• Practical Geometric and Quantum Kernel Methods for Predicting Skeletal Muscle Outcomes in chronic obstructive pulmonary disease [12.752575381856934]
  慢性閉塞性肺疾患(COPD)における骨格筋機能障害の臨床的意義 このことは、縦に取得できる最小侵襲バイオマーカーによる筋肉結果の予測的モデリングを動機付けている。 低次元データ用に設計された古典的ベースライン、スタイン発散を持つ幾何対応対称正定値(SPD)記述子、量子カーネルモデルをベンチマークした。
  論文  参考訳（メタデータ） (2026-01-01T13:25:45Z)
• Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters [5.071602765737453]
  筋と骨のパラメータを同時に同定するために,Diff-MSM (Diff-MSM) を用いた。 Diff-MSMを用いた新しいパラメータ識別技術は、筋肉の健康モニタリング、リハビリテーション、スポーツ科学における新しい応用を可能にする大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-08-18T18:43:43Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Time-Varying Coronary Artery Deformation: A Dynamic Skinning Framework for Surgical Training [33.92599418560439]
  本研究は, 骨格スキンウェイトを用いた冠状動脈の動的モデリングフレームワークを提案する。 外科シミュレーションのリアルタイム性能を維持しつつ, 血管の変形を正確に制御することを目的としている。
  論文  参考訳（メタデータ） (2025-03-04T02:51:37Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis [36.12790384412525]
  変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。 モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。 変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
  論文  参考訳（メタデータ） (2024-06-14T15:24:49Z)
• Pulmonary Embolism Mortality Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data [31.830488752817804]
  本研究の目的は,CTPA(CTPA),臨床データ,肺重症度指数(PESI)スコアを用いて深層学習モデルを構築し,PE死亡率を予測することである。
  論文  参考訳（メタデータ） (2024-06-03T13:10:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。