[论文] Hybrid Physics-AI Framework of Body Center of Mass Dynamics from Wrist...

论文概要

研究领域: ML 作者: Shuhao Que, Valentina Breschi, Ying Wang 发布时间: 2026-09-15 arXiv: 2609.12304

中文摘要

腕戴式 IMU 已广泛用于日常生活健康监测，但它无法完整表征全身动力学——而身体质心（COM）被公认为生理学参考标准。为此，本工作提出一个简化运动学模型（KM），旨在将腕部 IMU 映射为质心加速度。该模型基于若干化简假设，使仅凭腕部 IMU 测量即可求解动力学方程。我们进一步提出三类混合 AI 建模方法——基于人体运动学模型的神经网络（HKM-NN）模型——以兼顾灰箱与黑箱建模的优势，包括串行学习（ser-）与两种同步学习（sim1- 和 sim2-）。模型在我们采集的数据集上训练与测试，包含 10 名健康志愿者在六种步态活动与坐站（SS）转换运动中的腕部 IMU 测量与真实质心测量。结果证明了从腕部 IMU 估计质心加速度的可行性：KM 模型取得满意结果，步态活动误差 6.7%–12.5%，坐站误差 5.6%；相比 KM，HKM-NN 模型显著提升性能，步态活动误差降至 5.3%–9.3%，坐站最优误差 3.9%。此外，HKM-NN 模型在噪声测试条件下表现出不同的鲁棒性特征：sim1-/sim2- 在高斯扰动下通常更鲁棒，而 KM 模型在椒盐噪声下相对更强。这些发现凸显了在不完美且含噪的测量条件下，将生物力学结构与数据驱动学习相结合对可穿戴传感应用的重要性。

原文摘要

Wrist-worn IMU has been widely used for daily-life health monitoring. Yet, it does not fully represent whole-body dynamics, for which the body center of mass (COM) is considered the physiological reference standard. Therefore, this work proposes a simplified kinematic model (KM), which is designed to map the wrist IMU to the COM acceleration. It is built upon several reductive assumptions that enable the solvability of the dynamic equations based on wrist IMU measurements alone. This work further proposes three types of hybrid AI modeling methods, namely human kinematic model-based neural network (HKM-NN) models, to leverage the power of both grey-box and black-box modeling. The HKM-NN methods include serial learning (ser-) and two approaches of simultaneous learning (sim1- and sim2-). The...

#论文 #arXiv #ML #小凯