Most attempts to quantify in vivo m

Most attempts to quantify in vivo muscle forces in humans have
combined noninvasive measures of movement with a mathematical
theory called optimization. Here, a cost function is hypothesized,
and muscle forces are calculated according to the mechanical,
energetic, and physiological properties of the neuromusculoskeletal
system. Static optimization has been the most
common method used to estimate muscle forces during locomotion.
This method is computationally inexpensive, and solutions
can be obtained relatively quickly on single-processor computers,
even when very detailed models of the body are used. Most early
static optimization studies included up to 30 muscles per leg @1,2#,
whereas more recent models have used 42 or more muscles per
leg @3,4#. The main disadvantage of static optimization is that the
results are heavily influenced by the accuracy of the available
experimental data, particularly the measured limb motions @2,5,6#.
Dynamic optimization is potentially more powerful than static
optimization for two reasons. First, because a time-dependent performance
criterion can be posed, the goal of the motor task can be
included in the formulation of the problem. Second, dynamic optimization
is inherently a forward dynamics method, and so the
problem may be formulated independent of experimental data.
These two attributes, together, allow the motor patterns and kinematics
of movement to be predicted. The main disadvantage is
that dynamic optimization is computationally very expensive
@7,8#, so much so that previous solutions for walking have been
greatly simplified. The earliest solutions confined the motion of
the body to the sagittal plane ~e.g., @9#!. More recent studies have
used muscle-actuated models, but the numbers of muscles included
in these models are significantly less than those used in the
analogous static optimization work @5,7#. Finally, dynamic optimization
simulations of gait have typically been posed as tracking
problems, which has compromised the power of this approach as
a predictive modeling tool @5,7#.
In this paper we present a dynamic optimization solution for
normal walking on level ground. Our work is distinguished from
previous studies in two respects. First, the model of the body was
actuated by a significantly greater number of muscles than has
been used in any previous dynamic optimization study ~54
muscles total; 24 per leg!. Second, the dynamic optimization solution
was minimally constrained; we did not solve a tracking
problem, but instead used experimental gait data to specify only
the initial and final states of the simulation. Our specific aims are:
~a! to present a physiologically supported, time-dependent, performance
criterion for normal walking on level ground; ~b! to document
a method for solving dynamic optimization problems that
enables the kinematics and motor patterns for walking to be predicted;
and ~c! to evaluate the model simulation results through
comparisons with experimental data

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่พยายามกำหนดปริมาณกองกำลังกล้ามเนื้อในสัตว์ทดลองในมนุษย์ได้วัด noninvasive รวมการเคลื่อนไหวที่เป็นคณิตศาสตร์ทฤษฎีที่เรียกว่าปรับให้เหมาะสม ที่นี่ ฟังก์ชันต้นทุนถูกตั้งสมมติฐานว่าและกองกำลังของกล้ามเนื้อจะถูกคำนวณตามเครื่องกลมีความกระตือรือร้น และสรีรวิทยาคุณสมบัติของ neuromusculoskeletalระบบ เพิ่มประสิทธิภาพคงดำเนินได้มากที่สุดวิธีทั่วไปที่ใช้ในการประเมินกำลังของกล้ามเนื้อระหว่าง locomotionวิธีการนี้เป็น computationally ราคาไม่แพง และโซลูชั่นได้ค่อนข้างรวดเร็วบนเครื่องคอมพิวเตอร์ตัวประมวลผลเดียวแม้แต่เมื่อร่างกายแบบละเอียดมากจะใช้ ส่วนใหญ่ก่อนเพิ่มประสิทธิภาพคงศึกษารวมกล้ามเนื้อถึง 30 ต่อขา @1,2ในขณะที่รุ่นล่าสุดได้ใช้กล้ามเนื้ออย่าง น้อย 42 ต่อขา @3,4 ข้อเสียหลักของคงเป็นที่ผลลัพธ์มีอิทธิพลมาก โดยความถูกต้องของการข้อมูลทดลอง โดยเฉพาะอย่างยิ่งการวัดขาดัง @2,5,6ปรับแบบไดนามิกคืออาจมีประสิทธิภาพมากกว่าคงเพิ่มประสิทธิภาพด้วยเหตุผลสองประการ แรก เนื่องจากประสิทธิภาพการทำงานขึ้นอยู่กับเวลาสามารถเกิดเกณฑ์ เป้าหมายของงานมอเตอร์สามารถรวมอยู่ในการกำหนดปัญหา เพิ่มประสิทธิภาพ 2 แบบไดนามิกคือความวิธี dynamics ไปข้างหน้า และอื่น ๆปัญหาอาจจะถูกกำหนดขึ้นอยู่กับข้อมูลการทดลองคุณลักษณะเหล่านี้สอง กัน ให้รูปแบบมอเตอร์และ kinematicsของการเคลื่อนไหวจะสามารถคาดการณ์ ข้อเสียหลักคือการปรับแบบไดนามิกเป็น computationally มีราคาแพงมาก@7,8 มากเพื่อให้ได้รับการแก้ไขปัญหาก่อนหน้านี้สำหรับการเดินภาษาอย่างมาก แก้ปัญหาแรกสุดที่จำกัดการเคลื่อนไหวของร่างกายระนาบ sagittal ~ เช่น @9 # มีการศึกษาเพิ่มเติมล่าสุดใช้รุ่น actuated กล้ามเนื้อ แต่หมายเลขของกล้ามเนื้อรวมในรุ่นเหล่านี้จะมากน้อยกว่าที่ใช้ในการเพิ่มประสิทธิภาพคงคู่ทำงาน @5,7 ในที่สุด เพิ่มประสิทธิภาพแบบไดนามิกจำลองของเดินได้ปกติแล้วอึ้งเป็นการติดตามปัญหา ซึ่งได้ทำลายอำนาจของวิธีการนี้เป็นเครื่องมืองานโมเดล @5,7ในเอกสารนี้ เรานำเสนอทางแก้ไขปรับแบบไดนามิกปกติเดินบนพื้นราบ งานของเราจะแตกต่างไปจากการศึกษาก่อนหน้านี้ในประการที่สอง ครั้งแรก รูปแบบของร่างกายได้actuated โดยกล้ามเนื้อมากขึ้นอย่างมีนัยสำคัญมากกว่าได้ใช้ในการศึกษาแบบไดนามิกปรับก่อนหน้านี้ ~ 54กล้ามเนื้อทั้งหมด 24 ต่อขา สอง โซลูชันเพิ่มประสิทธิภาพแบบไดนามิกถูกผ่าจำกัด เราไม่ได้แก้ติดตามเดินทดลองปัญหา แต่ใช้แทนข้อมูลเพื่อระบุเท่านั้นสถานะเริ่มต้น และสุดท้ายของการจำลองการ จุดมุ่งหมายเฉพาะของเราคือ:~ การ นำเสนอประสิทธิภาพที่ได้รับการสนับสนุน physiologically เวลาขึ้นอยู่ กับเงื่อนไขสำหรับการเดินปกติบนพื้นราบ ~ b เพื่อจัดทำเอกสารวิธีการแก้ปัญหาแบบไดนามิกปรับที่ทำให้ kinematics และรูปแบบรถยนต์สำหรับการเดินเพื่อจะคาดการณ์และ ~ c การประเมินผลการทดลองรูปแบบผ่านเปรียบเทียบกับข้อมูลการทดลอง

ผลลัพธ์ (ไทย) 2:

ความพยายามที่จะหาจำนวนมากที่สุดในร่างกายกองกำลังของกล้ามเนื้อในมนุษย์ได้
รวมมาตรการที่ไม่รุกล้ำของการเคลื่อนไหวกับทางคณิตศาสตร์
ที่เรียกว่าทฤษฎีการเพิ่มประสิทธิภาพ นี่ฟังก์ชั่นคือการตั้งสมมติฐานค่าใช้จ่าย,
และกองกำลังของกล้ามเนื้อมีการคำนวณตามที่กล
พลังและคุณสมบัติทางสรีรวิทยาของ neuromusculoskeletal
ระบบ การเพิ่มประสิทธิภาพคงที่ได้รับมากที่สุด
วิธีการทั่วไปที่ใช้ในการประมาณการกองกำลังของกล้ามเนื้อในระหว่างการเคลื่อนไหว.
วิธีนี้เป็นวิธีที่ไม่แพงคอมพิวเตอร์และการแก้ปัญหา
สามารถรับได้อย่างรวดเร็วบนคอมพิวเตอร์เครื่องเดียวประมวลผล
แม้ในขณะที่รูปแบบรายละเอียดมากของร่างกายที่มีการใช้ ส่วนใหญ่ในช่วงต้นของ
การศึกษาการเพิ่มประสิทธิภาพคงที่รวมถึง 30 ต่อกล้ามเนื้อขา 1,2 @ #
ในขณะที่รุ่นอื่น ๆ ที่ผ่านมาได้ใช้ 42 หรือมากกว่าต่อกล้ามเนื้อ
ขา 3,4 @ # ข้อเสียเปรียบหลักของการเพิ่มประสิทธิภาพคงที่คือ
ผลที่จะได้รับอิทธิพลจากความถูกต้องของ
ข้อมูลการทดลองโดยเฉพาะอย่างยิ่งการเคลื่อนไหวแขนขาที่วัด @ 2,5,6 #.
การเพิ่มประสิทธิภาพแบบไดนามิกอาจมีประสิทธิภาพมากขึ้นกว่าแบบคงที่
การเพิ่มประสิทธิภาพด้วยเหตุผลสองประการ ประการแรกเพราะผลการดำเนินงานที่ขึ้นกับเวลา
เกณฑ์ที่สามารถวางเป้าหมายของงานมอเตอร์ที่สามารถ
รวมในการกำหนดปัญหา ประการที่สองการเพิ่มประสิทธิภาพแบบไดนามิก
โดยเนื้อแท้เป็นวิธีการเปลี่ยนแปลงไปข้างหน้าและเพื่อให้
ปัญหาที่เกิดขึ้นอาจจะเป็นสูตรที่เป็นอิสระจากข้อมูลการทดลอง.
ทั้งสองลักษณะด้วยกันช่วยให้รูปแบบยนต์และกลศาสตร์การเคลื่อนไหว
ของการเคลื่อนไหวที่จะคาดการณ์ ข้อเสียที่สำคัญคือ
ว่าการเพิ่มประสิทธิภาพแบบไดนามิกคอมพิวเตอร์มีราคาแพงมาก
@ 7,8 # มากเพื่อให้การแก้ปัญหาก่อนหน้านี้สำหรับการเดินได้รับการ
ง่ายมาก การแก้ปัญหาที่ถูกคุมขังที่เก่าแก่ที่สุดของการเคลื่อนไหว
ร่างกายเพื่อเครื่องบินทัเช่น ~ @ 9 # !. การศึกษาล่าสุดได้
ใช้รูปแบบการกระตุ้นกล้ามเนื้อ แต่ตัวเลขของกล้ามเนื้อรวมถึง
ในรูปแบบเหล่านี้อย่างมีนัยสำคัญน้อยกว่าที่ใช้ในการ
เพิ่มประสิทธิภาพการทำงานที่คล้ายคลึงคง @ 5,7 # ในที่สุดการเพิ่มประสิทธิภาพแบบไดนามิก
จำลองของการเดินมักจะได้รับการโพสต์การติดตาม
ปัญหาที่เกิดขึ้นซึ่งได้ทำลายอำนาจของวิธีการเช่นนี้
เป็นเครื่องมือสร้างแบบจำลองการคาดการณ์ @ 5,7 #.
ในบทความนี้เราจะนำเสนอวิธีการแก้ปัญหาการเพิ่มประสิทธิภาพแบบไดนามิกสำหรับ
การเดินบนพื้นดินปกติระดับ การทำงานของเรามีความโดดเด่นจากการ
ศึกษาก่อนหน้านี้ในสองประการ ครั้งแรกในรูปแบบของร่างกายถูก
กระตุ้นโดยจำนวนมากขึ้นอย่างมีนัยสำคัญของกล้ามเนื้อกว่าได้
ถูกนำมาใช้ในการศึกษาการเพิ่มประสิทธิภาพแบบไดนามิกใด ๆ ก่อนหน้า ~ 54
กล้ามเนื้อรวม; 24 ต่อขา !. ประการที่สองการเพิ่มประสิทธิภาพการแก้ปัญหาแบบไดนามิก
ถูก จำกัด น้อยที่สุด; เราไม่ได้ติดตามการแก้
ปัญหา แต่แทนที่จะใช้ข้อมูลการเดินการทดลองเพื่อระบุเพียง
รัฐครั้งแรกและครั้งสุดท้ายของการจำลอง มีจุดมุ่งหมายที่เฉพาะเจาะจงของเราคือ:
~! ที่จะนำเสนอการสนับสนุนทางสรีรวิทยาเวลาขึ้นอยู่กับผลการดำเนินงาน
ตามเกณฑ์สำหรับการเดินปกติในระดับพื้นดิน; ข ~! เพื่อจัดทำเอกสาร
วิธีการในการแก้ปัญหาการเพิ่มประสิทธิภาพแบบไดนามิกที่
ช่วยให้จลนศาสตร์และรูปแบบมอเตอร์สำหรับการเดินที่จะคาดการณ์;
และค ~! ในการประเมินผลการจำลองรูปแบบผ่านการ
เปรียบเทียบกับข้อมูลการทดลอง

ผลลัพธ์ (ไทย) 3:

ที่สุดพยายามที่จะหาโดยกองกำลังในกล้ามเนื้อมนุษย์
รวมไม่มาตรการการเคลื่อนไหวด้วยแบบจำลองทางคณิตศาสตร์
ทฤษฎีที่เรียกว่าการเพิ่มประสิทธิภาพ นี่เป็นฟังก์ชันต้นทุนความ
, และกล้ามเนื้อกำลังคำนวณตามกล
พลังและคุณสมบัติทางสรีรวิทยาของระบบ neuromusculoskeletal

การเพิ่มประสิทธิภาพได้รับส่วนใหญ่
ไฟฟ้าสถิตวิธีการทั่วไปที่ใช้ในการประเมินกำลังกล้ามเนื้อในการเคลื่อนไหว .
วิธีนี้เป็นวิธีที่ computationally ราคาไม่แพงและโซลูชั่น
ได้ค่อนข้างรวดเร็วในคอมพิวเตอร์ประมวลผลเดียว
แม้ว่ารายละเอียดมาก รูปแบบของร่างกายจะใช้ เร็วที่สุด
คงเพิ่มประสิทธิภาพการศึกษารวมถึง 30 กล้ามเนื้อต่อขา 1 , 2 #
@ , ในขณะที่รุ่นล่าสุดมีการใช้กล้ามเนื้อขา 42 หรือมากกว่าต่อ
@ 4 # .ข้อเสียเปรียบหลักของไฟฟ้าสถิต optimization ก็คือ
ผลลัพธ์เป็นอิทธิพลอย่างมากโดยความถูกต้อง ของที่มีอยู่
การทดลองโดยวัดขาการเคลื่อนไหว @ 2,5,6 # .
แบบไดนามิกเพิ่มประสิทธิภาพอาจมีประสิทธิภาพมากกว่า Static
เพิ่มประสิทธิภาพสำหรับสองเหตุผล ก่อน เพราะเกณฑ์ประสิทธิภาพ
เวลาสามารถวาง เป้าหมายของงานสามารถ
มอเตอร์รวมอยู่ในการกำหนดปัญหา 2 เพิ่มประสิทธิภาพแบบไดนามิก
เป็นอย่างโดยเนื้อแท้เป็นวิธีพลศาสตร์ไปข้างหน้า ดังนั้นปัญหาอาจเป็นยุทธศาสตร์
อิสระของข้อมูลการทดลอง .
2 ลักษณะ ด้วยกัน ให้มอเตอร์ ลวดลายและแบบของการเคลื่อนไหวเป็น
ทำนาย ข้อเสียหลัก คือ การเพิ่มประสิทธิภาพแบบไดนามิกที่เป็น computationally

@ 7 , 8 #แพงมาก ,มากเพื่อให้โซลูชั่นที่ก่อนหน้านี้เดินได้
ง่ายมาก . โซลูชั่นแรกสุดจำกัดการเคลื่อนไหวของร่างกายกับแซก
~ เช่นเครื่องบิน , @ 9 # ! การศึกษาล่าสุดได้
ใช้กล้ามเนื้อแบบกระตุ้น แต่ตัวเลขของกล้ามเนื้อรวม
ในรุ่นนี้มีมากน้อยกว่าที่ใช้ในการเพิ่มประสิทธิภาพการทำงาน @
แบบคงที่ 5 # . ในที่สุด , เพิ่มประสิทธิภาพ
แบบไดนามิกผลของการเดินมักจะถูกวางให้เป็นติดตาม
ปัญหา ซึ่งได้ละเมิดอำนาจของวิธีการนี้เป็นเครื่องมือการสร้างแบบจำลองพยากรณ์ 5 @

# . ในกระดาษนี้เรานำเสนอแบบไดนามิกเพิ่มประสิทธิภาพโซลูชั่นสำหรับ
เดินปกติบนพื้นระดับ งานของเราแตกต่างจาก
การศึกษาก่อนหน้านี้ใน 2 ประการ แรก , รูปแบบของร่างกายคือ
ทํางานโดยหมายเลขอย่างมีนัยสำคัญมากขึ้นของกล้ามเนื้อมากกว่า ถูกใช้ไปในหน้าที่ใด ๆได้

~ เพิ่มประสิทธิภาพแบบไดนามิกศึกษา 54 กล้ามเนื้อทั้งหมด ; 24 ต่อขา 2 . เพิ่มประสิทธิภาพของโซลูชั่นแบบไดนามิก
คือน้อยที่สุดบังคับ เราไม่แก้
ปัญหาติดตาม แต่แทนที่จะใช้ข้อมูลงานทดลองเพื่อระบุเฉพาะ
เริ่มต้นและสุดท้ายของสหรัฐอเมริการะบบ มีวัตถุประสงค์เฉพาะของเราคือ :
~ !เสนอให้เราได้รับการสนับสนุน , เวลา , ประสิทธิภาพ
เกณฑ์เดินปกติในระดับพื้นดิน ; ~ B เอกสารเป็นวิธีการแก้ปัญหา

ช่วยเพิ่มประสิทธิภาพแบบไดนามิกที่แบบและลวดลายมอเตอร์เดิน เพื่อจะคาดการณ์ ;
~ C เพื่อประเมินผลการจำลองแบบจำลองจาก
เปรียบเทียบกับข้อมูลการทดลอง