基于微流控鞋垫与神经网络的地面反作用力预测及其在足下垂康复中的应用

　　本研究创新性地结合微流控技术与人工神经网络（ANN），开发了一种用于足下垂康复的高精度地面反作用力（GRF）预测系统。通过三种微通道结构（垂直、水平及混合）的流体力学建模与ANN分析，实现了优异的预测准确性（相关系数>0.99），为实时步态监测、异常负荷检测及个性化康复干预提供了低成本、非侵入性的解决方案。

　　

Highlight

Introduction:

足下垂是一种由神经系统疾病或肌肉损伤导致的衰弱性病症，它通过限制踝关节背屈并引发不稳定的代偿性步态（即“跨阈步态”）显著损害患者的活动能力。这种异常的行走模式——以夸张的髋部和膝关节屈曲为特征——会扰乱自然的地面反作用力（GRF）模式，并增加跌倒风险（Stewart, 2008）。传统的干预措施如踝足矫形器（AFOs）和夹板虽能提供机械支撑，但往往缺乏动态适应性，且可能引起肌肉萎缩和皮肤问题。

Material and Methods

本研究完全基于合成生成的数据集进行；未涉及人类参与者，因此未收集任何人口统计学或临床数据。这项基于模拟的工作无需伦理批准。合成数据集是利用流体力学推导出的解析方程以及已建立的步态生物力学文献中报告的相位特异性GRF值开发的。这些值被用于模拟基于微流控通道的鞋垫在不同步态阶段下的响应。

Results

为分析微通道几何结构对地面反作用力（GRF）估计的影响，使用第2.3节所述的流体力学模型模拟了三种配置——垂直、水平和组合。每种配置均针对多个设计参数（包括通道深度、宽度、间距和通道数量）进行了评估，目的是评估它们对内部流体速度及最终GRF的影响。

模拟数据包括计算出的流体速度以及相应的GRF值，这些数据作为人工神经网络（ANN）的输入和输出。ANN模型在所有配置中均表现出优异的性能，相关系数（R值）超过0.99。水平设计产生了0.14%的平均绝对百分比误差（MAPE），而混合设计实现了最低的误差（MAPE = 0.077%），成功捕获了垂直和横向载荷。从ANN权重推导出的回归方程增强了模型的可解释性，并支持低功耗部署。

Summary of Findings

本研究证明了人工神经网络（ANN）在利用嵌入鞋垫设计的微流控通道的几何参数预测地面反作用力（GRF）方面的有效性。通过将解析建模与机器学习相结合，该框架为被动力量估计提供了一种数据驱动且可解释的方法。所有三种通道配置（垂直、水平和组合）均实现了高预测精度，相关系数超过0.99。混合配置表现最佳，平均绝对百分比误差（MAPE）为0.077%，这归因于其能够同时适应垂直和剪切力。从训练好的ANN模型中提取的回归方程提供了透明且计算效率高的GRF估计关系，适用于资源受限的硬件。这些发现强调了微通道几何形状在优化力传感性能方面的关键作用，并为开发智能、适应性强且低成本的康复设备铺平了道路。

Conclusion

本研究介绍了一种利用基于微流控通道的鞋垫和人工神经网络（ANN）预测地面反作用力（GRF）的几何驱动框架。系统地对三种微通道配置（垂直、水平和组合）进行了建模，并评估了它们对流体位移和力传递的影响。基于合成流体力学数据训练的ANN模型在所有配置中均实现了优异的预测准确性，其中组合和水平设计的平均绝对百分比误差（MAPE）分别低于0.077%和0.14%。从ANN权重导出的回归方程为GRF估计提供了可解释、低计算成本的替代方案。这项工作为微流控传感与机器学习在步态分析中的协同集成提供了一个概念验证，为足下垂患者的实时监测、异常负荷检测和个性化康复干预提供了潜力。未来的工作将集中于实验验证、扩展数据集以涵盖病理步态，以及开发用于嵌入式部署的轻量化算法。