Долговременная краткосрочная внимательная память (LSTAM): модель с интеграцией глобальных признаков для совместного предсказания моментов в суставах при реабилитации человека

Более умная помощь при восстановлении движений

Когда человек учится снова ходить после травмы или операции, врачам важно понимать, насколько сильно нагружены отдельные суставы ноги. Традиционно для этого требовалось громоздкое лабораторное оборудование и тщательные измерения, которые трудно применимы в повседневной обстановке. В этом исследовании представлена новая вычислительная модель, способная оценивать эти скрытые суставные усилия с помощью лёгких носимых датчиков, что открывает путь для более практичной и персонализированной реабилитации.

Скрытые силы в обычных шагах

Каждый раз, когда мы делаем шаг, тазобедренный, коленный и голеностопный суставы создают вращающие моменты, называемые суставными моментами. Эти силы важны для понимания того, является ли движение безопасным, эффективным или повышающим риск дальнейшей травмы. Но суставные моменты сложно измерить напрямую: в лабораториях обычно используют камеры захвата движения, силовые платформы в полу и детализированные модели тела. Это делает процесс дорогим и ограниченным исследовательскими центрами, хотя клиницистам и разработчикам устройств крайне необходима эта информация для настройки ортезов, экзоскелетов и протезов.

Слушая мышцы, а не пол

Чтобы обойти это ограничение, исследователи обратились к сигналам, которые можно измерить на коже. Маленькие датчики регистрируют электрическую активность мышц (поверхностная ЭМГ) и отслеживают, как суставы сгибаются с течением времени. Ранние методы машинного обучения использовали эти сигналы для предсказания суставных моментов с некоторым успехом, но сталкивались с ключевой проблемой: исходные данные полны кратковременных дрожаний, шумов от движения датчиков и коротких всплесков, которые не отражают общую закономерность движений человека. Модели, гоняющиеся за этими мелкими колебаниями, могут упускать более важные, долгосрочные тенденции, которые описывают поведение бедра в течение многих шагов.

Новый способ разглядеть общую картину в шумных сигналах

Авторы предлагают модель под названием долговременная краткосрочная внимательная память (LSTAM), разработанную для того, чтобы фокусироваться на дальнодействующей структуре движения и отбрасывать отвлекающие детали. Во‑первых, вместо работы только с исходными временными сигналами модель преобразует их в частотное представление с помощью математического инструмента, похожего на разложение звука на басы и высокие частоты. В таком виде устойчивые закономерности в координации мышц становятся заметнее, а кратковременные шумы — менее важными. Далее автоэнкодер — своего рода умный компрессор, собранный из простых нейронных слоев и свёрточных фильтров — учится представлять данные в более чистой, низкоразмерной форме, сохраняя важные паттерны и сглаживая ненужные локальные колебания.

Память и фокус для движущихся тел

После очистки и компрессии сигналов информация поступает в сеть долгосрочной краткосрочной памяти (LSTM), тип рекуррентной модели, хорошо отслеживающий эволюцию процессов во времени. Сверху авторы добавляют механизм внимания, который позволяет модели автоматически «смотреть внимательнее» на наиболее информативные моменты и частотные компоненты — например, ключевые фазы шага, когда мышцы включаются или выключаются — и меньше обращать внимание на неважные интервалы. В совокупности эти этапы преобразуют сырые, шумные следы с датчиков в компактное описание движения человека, пригодное для предсказания моментов в тазобедренном суставе.

Проверка модели

Команда оценивала LSTAM на публичном наборе данных, собранном у четырнадцати здоровых добровольцев, которые ходили на беговой дорожке, по ровной поверхности и по наклонным дорожкам на разных скоростях. Для каждого человека модель обучали на данных только одной сессии на беговой дорожке, а затем просили предсказать моменты в тазобедренном суставе в оставшихся испытаниях. По всем испытуемым LSTAM последовательно давала предсказания, которые тесно совпадали с лабораторно вычисленными суставными моментами, показывая меньшую ошибку и более высокое согласие по сравнению с несколькими современными альтернативами, включая стандартные сети LSTM, модели временной свёртки и недавние подходы на базе трансформеров. Авторы также провели тесты «абляции», выборочно убирая такие компоненты, как частотный этап, автоэнкодер или механизм внимания. Каждое удаление ухудшало качество, что показывает важность всех трёх компонентов для захвата глобальных закономерностей в этих биологических сигналах.

Что это может означать для реабилитации

Проще говоря, эта работа показывает, что можно оценивать невидимые силы в тазобедренном суставе, используя всего несколько датчиков мышечной активности и углов, без тяжёлого лабораторного оборудования, и делать это точнее, обучая модель обращать внимание на долгосрочные тенденции, а не на кратковременный шум. Такой инструмент мог бы помочь терапевтам отслеживать восстановление, корректировать программы упражнений или управлять умными реабилитационными устройствами, такими как экзоскелеты и протезы, чтобы они работали в гармонии с мышцами пациента. Хотя исследование фокусировалось на здоровых взрослых и задачах ходьбы, тот же подход в перспективе может поддержать более сложные движения и группы пациентов, делая качественную оценку движений более доступной за пределами специализированных лабораторий по анализу движения.

Цитирование: Xiong, B., Guo, Y., Lou, J. et al. Long short-term attention memory (LSTAM): a global-feature-integrated model for joint moment prediction in human rehabilitation. Sci Rep 16, 13835 (2026). https://doi.org/10.1038/s41598-026-42722-6

Ключевые слова: электромиография, анализ походки, технологии реабилитации, глубокое обучение, носимые датчики