Geri Dön

Predicting lower limb kinematics and kinetics from inertial measurement units using deep learning

Derin öğrenmeyi kullanarak atalet ölçüm birimlerinden alt ekstremite kinematiği ve kinetiğinin tahmini

  1. Tez No: 936917
  2. Yazar: METİN BİÇER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ LUCA MODENESE
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Imperıal College London
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Yapı Ana Bilim Dalı
  12. Bilim Dalı: Biyomekanik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İşaretleyici ve zemin reaksiyon kuvveti (GRF) kullanılan geleneksel hareket yakalama sistemleri, pahalı ve zaman alıcıdır, ayrıca uzman personel ve laboratuvar alanı gerektirir. Buna alternatif bir sistem olarak ataletsel ölçüm birimı sensörlerinin (IMU'lar) kullanıldığı sistemler daha ucuz ve laboratuvar ortamına bağımlı olmayan bir çözüm sunar, ancak bu sistemin sensör yerleştirme (kalibrasyon) ve veri işleme zorlukları vardır. Bu tezde, sadece sakrum bölgesine yerleştirilen tek bir IMU ile yürüyüş sırasında alt ekstremite eklem hareketi ve kuvvetlerini hesaplamak için iki derin sinir ağı (NN) modeli geliştirilmiş ve test edilmiştir. Modeller, işaretleyici tabanlı bir veri setinden simüle edilen IMU verileri kullanılarak eğitilmiş, eklem açıları ve momentleri ise bir kas-iskelet modeli tarafından hesaplanmıştır. Veri eksikliğini gidermek için çekişmeli üretici ağlar (GAN'lar) kullanılarak sentetik veriler üretilmiştir. Modeller, bu çalışma kapsamında toplanan gerçek IMU verileri ile test edilmiştir ve eklem açıları için 2.57° ve eklem momentleri için 0.19 Nm/kg hata oranı göstermiştir. Sonuçlar, sentetik veri ile eğitilen sinir ağlarının, gerçek veri setlerinde başarılı sonuçlar verdiğini ve pahalı veya karmaşık hareket yakalama sistemlerine alternatif olarak sakrum bölgesine yerleştirilen tek bir IMU sensörünün etkili bir çözüm sunduğunu göstermektedir.

Özet (Çeviri)

Motion capture using marker and ground reaction force (GRF) requires expensive and time-consuming experimental setups, trained personnel and dedicated laboratory space. In response, inertial measurement units (IMUs) have emerged as a cheaper alternative, usable in remote locations. However, IMUs present challenges in placement (calibration) and data processing (drift). To streamline IMU data collection and eliminate the need for multiple sensors, this thesis develops and validates two deep neural network (NN) models for computing lower limb joint kinematics and kinetics during walking using data from a single sacrum-worn IMU. These NNs were developed using IMU data simulated from a publicly available marker-based dataset as inputs, with joint angles and moments calculated by a musculoskeletal model as labels. Given inadequate dataset sizes for deep learning applications, generative adversarial networks (GANs) were employed to create synthetic marker and GRF datasets. Comparisons between synthetic and experimental datasets, using statistical tests, ensured realistic data generation for NN training. Subsequently, the developed NNs were initially tested on a dataset encompassing marker, GRF, and real IMU data collected for this study, showing root mean squared errors (RMSEs) of 4.48° for joint angles and 0.21 Nm/kg for joint moments. These models were then fine-tuned, reducing the RMSE to 2.57° for joint angles and 0.19 Nm/kg for joint moments on another set of real IMU data collected in this study. The significance of these NNs lies in their reliance on training with simulated datasets and testing with real datasets from different institutions with varying protocols, suggesting that the developed NNs can be deemed as inter-laboratory tools. Conversely, the fine-tuned models were refined and evaluated using the dataset collected in this study, thereby rendering them laboratory-specific in their applicability. The thesis developed and validated NNs to predict lower limb joint angles and moments using data from a single sacrum-worn IMU.

Benzer Tezler

  1. Tez No

    1017512

    Design, development, and control of an active transfemoral prosthesis

    Aktif transfemoral protezin tasarımı, geliştirilmesi ve kontrolü

    OMID ARFAIE KHOSROWSHAHI

    Doktora

    İngilizce

    İngilizce

    2026

    BiyomühendislikÖzyeğin Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN UNAL

  2. Tez No

    262

    Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması

    Başlık çevirisi yok

    EMEL ÖNDER

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Tekstil ve Tekstil MühendisliğiEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNGÖR BAŞER

  3. Tez No

    39

    Studies on the cuttability of rocks at O.A.L. Çayırhan district by laboratory cutting tests

    Başlık çevirisi yok

    KÜRŞAD CEYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    1987

    Maden Mühendisliği ve MadencilikOrta Doğu Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NACİ BÖLÜKBAŞI

  4. Tez No

    676

    Havuçların haşlanmasında difüzyonun modellenmesi

    Başlık çevirisi yok

    FİGEN KAYMAK

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Gıda MühendisliğiEge Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SUZAN KINCAL

  5. Tez No

    823

    Arpada diallel melez analizleri ile bazı tarımsal özelliklerin kalıtımı üzerinde araştırmalar

    Başlık çevirisi yok

    KAYIHAN Z. KORKUT

    Doktora

    Türkçe

    Türkçe

    1981

    ZiraatEge Üniversitesi

    Bitki Islahı ve Genetik Ana Bilim Dalı

    PROF. DR. İBRAHİM DEMİR

Geri Dön