Abstract

İnsan uzuvlarında meydana gelen eklem momentlerinin belirlenmesi değişik uygulamalar için önemlidir. önceki çalışmalarda eklem momentleri matematiksel yöntemler, bu alana özgü yazılımlar veya yapay zeka yöntemleri ile belirlenmiştir. Yapay zeka teknikleri ile yapılan tahminlerde çoğunlukla elektromiyografi (EMG) sinyalinden faydalanılmaktadır. Ancak EMG ile çalışmanın bazı dezavantajları bulunmaktadır. Bu çalışmada kütle ve atalet özelliklerine dayalı olarak elde edilen veriler ile farklı makine öğrenmesi algoritmaları kullanılarak diz eklemi momenti tahmin edilmiştir. Oturup kalkma hareketinin analizine yönelik yapılan klinik çalışmamıza 10 adet sağlıklı denek katılmıştır. Deneklerden elde edilen veriler doğrusal regresyon, destek vektör makineleri, polinom regresyonu, rassal orman, XGboost, Light GBM ve yapay sinir ağı algoritmalarının eğitiminde kullanılmıştır. Sonuçlara bakıldığında diz eklemi momentini tahmin etmede en yüksek başarı XGBoost algoritmasında (%94.0), en düşük başarı ise destek vektör makineleri algoritmasında (%71.5) elde edilmiştir.

References

[1] De Looze MP, Kingma I, Bussmann JBJ, Toussaint HM. Validation of a dynamic linked segment model to calculate joint moments in lifting. Clinical Biomechanics 1992;7:161-9.

[2] Silva MPT, Ambrosio JAC. Kinematic data consistency in the inverse dynamic analysis of biomechanical systems. Multibody System Dynamics 2002;8:219-39.

[3] Trinler U, Schwameder H, Baker R, Alexander N. Muscle force estimation in clinical gait analysis using AnyBody and OpenSim. Journal of Biomechanics 2019;86:55-63.

[4] Ozada N. Biomechanical model of knee collateral ligament injury with six degrees of freedom. Medical and Biological Engineering and Computing 2016:54:821-30.

[5] Cilli M, Serbest K, Kayaoglu E. The effect of body weight on joint torques in teenagers: Investigation of sit-to-stand movement. Clinical Biomechanics 2021;83:105288.

[6] Atasoy A, Topasş E, Kuchimov S, Gulfize S, Turpcu M, Kaplanoglu E, et al. Biomechanical design of an anthropomorphic prosthetic hand. 7th IEEE International Conference on Biomedical Robotics and Biomechatronics (Biorob) 2018;732-6.

[7] Mouloodi S, Rahmanpanah H, Gohari S, Burvill C, Tse KM, Davies HM. What can artificial intelligence and machine learning tell us? A review of applications to equine biomechanical research. Journal of the Mechanical Behavior of Biomedical Materials 2021;104728.

[8] Jia G, Lam HK, Liao J, Wang R. Classification of electromyographic hand gesture signals using machine learning techniques. Neurocomputing 2020;401:236-48.

[9] Yeadon MR. The simulation of aerial movement—II. A mathematical inertia model of the human body. Journal of Biomechanics 1990;23:67-74.

[10] Brown D. Tracker Video Analysis and Modeling Tool. 2009. (Computer Software).

[11] Xiong B, Zeng N, Li H, Yang Y, Li Y, Huang M, et al. Intelligent prediction of human lower extremity joint moment: an artificial neural network approach. IEEE Access 2019;7: 29973-80.

[12] Zhang L, Li Z, Hu Y, Smith C, Farewik EMG, Wang R. Ankle joint torque estimation using an emg-driven neuromusculoskeletal model and an artificial neural network model. IEEE Transactions on Automation Science and Engineering 2020;18:564-73.