بررسي اثر عدم قطعيت در مسير ماهيچه ها بر نيروي تماسي مفصل زانو در يك مدل اسكلتي- عضلاني بهبود يافته حين حركت اسكات

Investigation of the Effect of Uncertainty in Muscle Pathways on the Knee Joint Contact Force in an Improved Musculoskeletal Model During Squat Motion

عدم قطعيت درباره‌ي نتايج مدل‌هاي اسكلتي-عضلاني، يكي از اصلي‌ترين مسائلي است كه كم‌تر مورد توجه كاربران قرار گرفته است. گرچه نتايج اين مدل‌ها براي گيت داراي دقت كافي است، اما در حركاتي با خمش شديد مفصل زانو مانند اسكات خطاهاي بالا گزارش شده است. اخيرا با بروزرساني سطوح پيچش در مدل قدرتمند راجاگوپال، نسخه­ي بروزشده­اي از آن جهت شبيه­سازي اسكات عميق (مدل كتلي) ارائه شده است. اما نتايج شبيه­سازي توسط اين مدل، ميانگين خطاي بالاي نيروي تماسي مفصل زانو (%60<) را در افراد موجود در مجموعه داده­ي آزمايشگاهي CAMS نشان مي­دهد. براي اين منظور از نرم افزار Opensim و رابط برنامه­نويسي Opensim-MATLAB استفاده شده است. در تحقيق حاضر با استفاده از روش احتمالاتي مونت كارلو، اثر عدم قطعيت در مسير ماهيچه‌هاي مدل اسكلتي-عضلاني كتلي بر نيروي تماسي مفصل زانو مورد بررسي قرار گرفته است. ميانگين كران اطمينان %95-5 براي خطاي نسبي نيروي تماسي زانو در سيكل كامل اسكات %19/02 ± 43/73 و در اسكات عميق %77 ± 159 محاسبه شده است. بنابراين، اصلاح پارامترهاي مربوط به مسير عضلات در مدل­ مختص شبيه­سازي حركت اسكات مي­ تواند سبب بهبود نتايج گردد.

Uncertainty about the musculoskeletal modeling results is one of the main issues that are less investigated by users. Although the results of these models are accurate enough for gait activities, high errors were reported for activities with deep knee bending like squatting tasks. Recently, by updating the wrapping surfaces in a powerful musculoskeletal model (Rajagopal), an updated version for deep squatting (Catelli) has been released. But high average errors are reported in simulations using this model for CAMS subjects. Opensim software and Opensim-Matlab API were used. In this study, the effect of uncertainty in the muscle pathways of a scaled version of the Catelli model on the knee contact force was studied using the probabilistic Monte Carlo approach. 43.7±19.02% confidence bounds of KCF error during a squat cycle and 159±77% in deep squat were computed. Therefore, more corrections in muscle pathways parameters in the model specified for simulating squat motion could improve the results.