1. 引言
膝关节骨性关节炎(KOA)是以关节软骨退变为特征的致残性疾病，我国50岁以上人群患病率高达50%，70岁以上达80% [1] [2]，其引发的社会医疗负担已占西方国家GDP的1%~2.5%且持续攀升[3]。该病严重影响患者日常生活，现有治疗中运动训练改善功能有限，药物治疗存在副作用，全膝关节置换术虽有效但术后满意度仅81%~89% [4]-[7]。膝关节矫形器作为无创保守疗法，通过调整髁间隙降低关节负荷，兼具纠正力线和促进软骨修复的优势[8]，临床应用日益广泛。
生物力学研究表明，膝关节内翻力矩(KAM)和屈曲力矩(KFM)是评估关节负荷的核心指标，分别与软骨退变和胫骨髌骨损伤密切相关[9]-[13]。传统三维运动捕捉系统虽能精确测量步态力学参数，但存在设备昂贵、场地受限及反复检测耗时等问题[14]。可穿戴传感器技术为解决这一瓶颈提供了新路径：由加速度计、陀螺仪和磁力计构成的惯性测量单元(IMU)可实时采集关节运动学参数，结合机器学习算法可预测动力学指标[15]-[17]。这类系统具有便携、低成本和连续监测优势，特别适用于矫形器疗效的动态评估。
本研究旨在开发基于传感器的智能膝关节矫形器力矩预测系统。通过将IMU和肌电集成于3D打印减荷式矫形器，实时获取不同运动模式下的运动学数据，建立基于CNN-BiLSTM-Attention的膝关节力矩预测模型。该技术突破传统实验室检测局限，为个性化调整矫形器力学干预方案提供实时生物力学反馈，有望提升KOA康复治疗精准度[18]。研究成果将推动可穿戴医疗设备在骨关节疾病管理中的转化应用，助力实现动态化、智能化的康复治疗新模式。
2. 模型构建
2.1. 基于CNN-BiLSTM-Attention的膝关节力矩预测模型
本文使用的CNN-BiLSTM-Attention膝关节力矩预测模型由五个主要模块构成，先前的研究可见文献[19]，包括输入模块、特征提取模块、序列学习模块、注意力模块和预测模块。输入模块负责接收原始数据，特征提取模块由卷积层和池化层组成，序列学习模块包含Bi-LSTM层和Dropout层，注意力模块由注意力层构成，而预测模块则由全连接层和输出层组成。CNN-BiLSTM-Attention预测模型的整体架构如图1所示。
Figure 1. CNN-BiLSTM-Attention model architecture diagram
图1. CNN-BiLSTM-Attention 模型的架构图
2.2. 模型原理及参数设置
本文提出的关节力矩预测模型采用图1所示的CNN-BiLSTM-Attention混合架构，主要包含以下层次结构：
1) 输入层：将多通道IMU信号与表面肌电信号经预处理后构建为时间切片数据，输入维度为N × T (N为传感器通道数，T为时间步长)。
2) 特征提取模块：采用单层Conv1D进行空间特征提取，配置128个卷积核(核尺寸 = 1，激活函数ReLU)，后接Dropout层(失活率0.5)以防止过拟合。
3) 时序建模模块：通过双向LSTM层捕获信号的前后向时序依赖，设置64个隐藏单元，输出序列经相同参数的Dropout层处理。
4) 注意力加权层：采用全连接网络计算各时间步特征的重要性权重(5个隐单元，Softmax激活)，实现关键特征的自适应增强。
5) 回归输出层：将加权特征经Flatten操作后输入全连接网络(1个神经元，ReLU激活)，最终输出关节力矩预测值。
本文使用网络模型基于在MATLAB R2024a平台搭建，模型训练采用Adam优化器，以均方根误差(RMSE)作为损失函数。设置批量大小为100 [20]，初始学习率0.001，并采用指数衰减策略(衰减因子0.1，每700次迭代衰减一次)。整个训练过程进行500个epoch以确保收敛。
3. 材料与方法
3.1. 实验设备
本研究构建的人体下肢运动学信息采集系统由主控、传感器及电源三大模块组成。主控模块采用ATmega328微控制器，通过其内置12位ADC实现肌电信号采集，采样频率设置为1000 Hz。传感器模块整合了表面肌电传感器和MPU6050六轴惯性测量单元(IMU)，后者通过I²C协议以100 Hz采样频率获取下肢三轴加速度与角速度数据。系统采用双9V可充电锂电池供电，确保移动测量的稳定性。
实验采用3D打印膝关节矫形器制作过程可参考文献[21]，通过调整其结构实现膝关节内收力矩的调控。基于生物力学预实验与穿戴稳定性分析，将IMU固定于大腿和小腿外侧，同时选取股直肌与胫骨前肌作为肌电信号采集位点。主控模块通过蓝牙传输至上位机进行存储并带有时间戳。该采集系统如图2所示。
Figure 2. Human lower limb kinematics data acquisition system
图2. 人体下肢运动学信息采集系统
本实验在上海养志康复医院生物力学步态实验室里进行，使用具6个高速摄像头的运动捕捉系统(Vicon Motion System Ltd. Oxford, UK)以100 HZ采集受试者身上的24个反光标记，分别为骨盆，左、右股骨，左、右胫骨，左、右足。以其配套的测力跑台以1 kHz的频率同步采集受试者的地面反作用力(Ground Reaction Force, GRF)。
3.2. 实验对象
本研究共招募了10名男性健康受试者参与下肢运动信息采集实验，无下肢运动功能障碍或其他影响运动练习的疾病。志愿者信息如表1所示。
本研究已获得上海交通大学医学院附属第九人民医院生命伦理委员会批准。所有受试者(志愿者和患者)均自愿参加本实验并了解实验内容，并全部签署知情同意书。
Table 1. Subject Information
表1. 受试者信息
性别 |
年龄 |
身高(cm) |
体重(Kg) |
总人数 |
男 |
24.57 ± 1.92 |
175.57 ± 4.44 |
72.71 ± 8.05 |
10 |
3.3. 实验过程
本研究针对步行、跑步、上/下楼梯及左/右转弯六类日常活动，建立标准化运动信息采集流程如图3所示。实验前执行以下预处理：1) 对受试者下肢肌电电极区域进行备皮处理以降低皮肤阻抗；2) 通过动作演示与预训练规范运动姿态；3) 要求受试者执行动作时保持左足单侧落于测力台区域。每组运动模式连续采集5次，单次持续2 min，组间设置5 min间歇期以消除肌肉疲劳。同步采用时间戳标记相机全程记录运动过程，以便后续进行数据对齐操作。
Figure 3. Daily Human Activities: (A) Walking; (B) Running; (C) Ascending Stairs; (D) Descending Stairs; (E) Turning Left; (F) Turning Right
图3. 人体日常活动：(A) 走；(B) 跑；(C) 上楼梯；(D) 下楼梯；(E) 左转弯；(F) 右转弯
3.4. 数据预处理
三维光标数据与测力板原始数据通过4阶低通巴特沃斯滤波器进行去噪处理，截止频率设置为15 Hz。在三维步态分析软件Visual 3D中采用逆动力学的方法计算每种运动步态周期内的膝关节力矩并沿时间轴标准化为100个标准化点。使用巴特沃斯低通滤波器以15 Hz的截止频率对IMU数据进行滤波。表面肌电信号使用20~150 Hz带通滤波器和50 Hz陷波滤波器去除高频噪声和工频干扰，随后将肌电信号下采样到100 HZ。通过运动相机确定每种运动步态周期时间节点，将IMU、肌电信号及标准化的膝关节力矩数据按完整步态周期进行时空对齐。最终构建多维数据集包含10名受试者 × 5组运动试验 × 100时间点，单个步态周期特征维度为14通道 × 100时间点。
3.5. 评价方法
该系统通过留一交叉验证法进行训练和评估，循环从所有受试者中取出一个受试者作为测试集验证模型泛化能力，剩余受试者作为训练集训练模型。以均方根误差(Root Mean Square Error, RMSE)、相对均方根误差(Relative Root Mean Square Error, RRMSE)、互相关系数(r)和平均绝对误差(Mean Absolute Error, MAE)作为网络估计精度的评价指标。公式如1~2所示。
(1)
(2)
其中式中：n为采样点数量，i为采样点序号；
膝关节力矩的预测值；
膝关节力矩的实际值；
4. 实验结果
本文选用10位受试者的前9位实验数据作为训练集，第10位受试者实验数据作为测试集，采用CNN-BiLSTM-Attention模型估计人体进行六种日常行为活动时的KAM和KFM的平均值(和标准误差)与其各自的逆动力学计算的实际值(红色)的比较如图4和图5示，估计结果的准确度如表2和表3所示。
(A) (B)
(C) (D)
(E) (F)
Figure 4. Comparison between predicted (black, mean ± SE) and calculated (red) knee adduction moments (KAM) across tasks ((A) Walk; (B) Run; (C) Turn left; (D) Turn right; (E) Go upstairs)
图4. KAM在不同任务膝关节力矩预测值(黑色)的平均值(和标准误差)与计算值(红色)的比较((A) 走；(B) 跑；(C) 向左转弯；(D) 向右转弯；(E) 上楼梯；(F) 下楼梯)
对于图4，在六种不同的人体日常活动中，CNN-BiLSTM-Attention模型估计的膝关节KAM曲线与逆动力学计算的实际值曲线走势基本一致。在进行跑如图4(B)时，支撑相后期预测曲线与实际曲线出现分离。在进行走、向左转弯、向右转弯、上楼梯和下楼梯时如图4(A)、图4(C)、图4(D)~(F)预测曲线显示在峰值处逆动力学计算的实际值有较大差异。
对于图5，在六种不同的人体日常活动中，CNN-BiLSTM-Attention模型估计的六种运动的KFM曲线与逆动力学计算的实际值曲线走势基本一致，在进行下楼梯如图5(F)时，在支撑相后期，预测曲线与实际曲线出现分离。在进行跑、向左转弯和上楼梯时如右图5(B)、图5(C)、图5(E)，预测曲线在支撑相的前期和后期出现较大分离，在进行跑、向左转弯时如图5(B)、图5(C)预测曲线显示在峰值处与逆动力学计算的实际值有较大差异。
如表2所示，KAM在六种日常活动中呈现中度至强相关性(r = 0.506 ± 0.129至0.871 ± 0.026)。右转活动相关性最强(r = 0.871 ± 0.026)，显著高于下楼梯时的中度相关性(r = 0.506 ± 0.129)。所有任务预测误差范围为0.097 ± 0.022至0.398 ± 0.059，而RRMSE显示活动间显著差异：步行时最低(20.445 ± 6.158)，上楼梯时达峰值(43.663 ± 7.894)。
(A) (B)
(C) (D)
(E) (F)
Figure 5. Comparison between predicted (black, mean ± SE) and calculated (red) knee flexion moments (KFM) across tasks ((A) Walk; (B) Run; (C) Turn left; (D) Turn right; (E) Go upstairs)
图5. KFM在不同任务膝关节力矩预测值(黑色)的平均值(和标准误差)与计算值(红色)的比较((A) 走；(B) 跑；(C) 向左转弯；(D) 向右转弯；(E) 上楼梯；(F) 下楼梯)
Table 2. KAM estimation accuracy
表2. KAM估计结果的准确度
运动任务 |
KAM |
r |
RMSE (Nm/kg) |
20.445 ± 6.158 |
步行 |
0.850 ± 0.026 |
0.105 ± 0.007 |
26.676 ± 6.565 |
跑 |
0.817 ± 0.040 |
0.398 ± 0.059 |
43.663 ± 7.894 |
上楼梯 |
0.733 ± 0.108 |
0.147 ± 0.051 |
33.926 ± 13.080 |
下楼梯 |
0.506 ± 0.129 |
0.184 ± 0.050 |
26.581 ± 6.598 |
向左转弯 |
0.739 ± 0.055 |
0.101 ± 0.009 |
36.774 ± 3.279 |
向右转弯 |
0.871 ± 0.026 |
0.097 ± 0.022 |
31.344 ± 7.262 |
均值 |
0.739 ± 0.094 |
0.172 ± 0.033 |
20.445 ± 6.158 |
Table 3. KFM estimation accuracy
表3. KFM力矩估计结果的准确度
运动任务 |
KFM |
r |
RMSE (Nm/kg) |
RRMSE (%) |
步行 |
0.811 ± 0.075 |
0.131 ± 0.042 |
10.757 ± 3.940 |
跑 |
0.748 ± 0.141 |
0.307 ± 0.065 |
33.315 ± 11.990 |
上楼梯 |
0.569 ± 0.180 |
0.213 ± 0.010 |
21.382 ± 2.167 |
下楼梯 |
0.820 ± 0.074 |
0.223 ± 0.067 |
20.473 ± 8.363 |
向左转弯 |
0.683 ± 0.106 |
0.226 ± 0.061 |
30.027 ± 8.375 |
向右转弯 |
0.692 ± 0.066 |
0.188 ± 0.041 |
42.118 ± 11.387 |
均值 |
0.720 ± 0.107 |
0.215 ± 0.048 |
26.345 ± 7.704 |
如表3所示，KFM在六种日常活动中呈现中度至强相关性(r = 0.569 ± 0.180至0.820 ± 0.074)。其中下楼梯活动表现出最强相关性(r = 0.820 ± 0.074)，显著高于上楼梯的中度相关性(r = 0.569 ± 0.180)。各任务预测误差维持在0.131 ± 0.042至0.307 ± 0.065范围，而RRMSE存在显著活动差异：步行时最低(10.757 ± 3.940)，右转时达到峰值(42.118 ± 11.387)。
5. 讨论
本研究通过集成惯性测量单元(IMU)与表面肌电传感器的3D打印减荷式膝关节矫形器系统，成功构建了基于CNN-BiLSTM-Attention神经网络的关节力矩预测模型。相较于传统实验室依赖光学运动捕捉与测力平台的逆动力学分析方法，该可穿戴系统实现了六种日常活动中膝关节生物力学负荷的实时监测。实验发现该系统在中等强度直线运动(如走和跑)中具有较好的KAM预测性能(r = 0.850 ± 0.026, 0.817 ± 0.040)，这一发现使临床医生能够根据实时反馈调整矫形器的力学干预方案成为可能。整体来看该系统对KAM的估计性能较高(r均值 = 0.739 ± 0.094, RMSE均值 = 0.172 ± 0.033)，相比之下，KFM的估计精度相对较低(r均值 = 0.720 ± 0.107, RMSE均值 = 0.215 ± 0.048)，且表现出更大的个体间差异(标准差 > 0.1)。
值得注意的是，系统在直线行走任务中，KAM估计达到最优性能(r = 0.850 ± 0.026)，而下楼梯任务中相关性显著降低至0.506 ± 0.129，表现出较大的性能差异，说明运动强度与方向变化对估计精度具有显著影响。相类似地是，KFM在下楼梯时获得最高相关性(r = 0.820)，但在上楼梯任务中表现最差(r = 0.569)。进一步分析发现，运动模式的可重复性与估计精度存在潜在关联。对于具有较高运动变异性的任务(如方向转换和速度变化)，模型性能下降可能源于动作执行过程中生物力学特征的不可控波动。这一现象与Fluit等人[22]通过三维运动分析系统获得的动力学参数估计结果具有一致性，提示复杂运动模式下关节力矩估计存在普遍性挑战。另一方面，在做复杂的运动时，膝关节矫形器可能存在较大的晃动，这会导致采集到的信号产生较大的干扰，进而影响结果。
本研究也存在受试者样本量有限、运动模式覆盖不足以及并未用KOA患者数据验证的局限性，未来通过扩大训练数据集覆盖更多步态模式，并优化IMU与肌电传感器的空间配置方案，有望进一步提升复杂运动场景下的估计精度。
基金项目
上海市科学技术委员会“科技创新行动计划”国内科技合作领域项目(项目编号：22015820100)。国家自然科学基金重大研究计划92048205。