Loading...

Development of Artificial Neural Network to Estimate Spinal Loads Using a Coupled Musculoskeletal Finite Element Model

Mohammadi, Hassan | 2025

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 58184 (08)
  4. University: Sharif University of Technology
  5. Department: Mechanical Engineering
  6. Advisor(s): Arjmand, Navid
  7. Abstract:
  8. Low back pain is highly prevalent, with great economic costs, and one of the most common causes of chronic disability among adults. Risk factors for lumbar injuries include physical factors, social demographic characteristics, individual habits, and psychosocial factors. From a biomechanics point of view, the role of the spine is to create upper body motion and withstand external loads; thus, to investigate physical factors, the loads generated in different segments of the spine during high-risk activities must be compared with their acceptable limits. Several biomechanical models have been developed to estimate the forces generated in the components of the spine. These models are classified into equilibrium-based models and stability-based models, depending on the method used to calculate muscle forces, where equilibrium-based models calculate muscle forces using optimization or EMG signals. The coupled musculoskeletal finite element model, based on equilibrium and using optimization of the sum of cubes of muscle stresses, calculates the muscle forces of the spine and incorporates the inactive parts (discs, facet joints, and ligaments) of the lumbar spine with great detail. This coupled model, in comparison to beam joints, spherical joints, and hybrid model, has shown lower errors in estimating the in vivo data of L4-L5 intradiscal pressures. Considering four inputs: sagittal trunk flexion angle, mass of the load carried in hands, load horizontal distance to shoulder joint, and lumbopelvic ratio, 500 symmetric static lifting activities were simulated with the coupled model. To ensure the convergence of the coupled model in simulating standing posture or heavy flexed lifting activities, the learning rate for penalty of muscle forces was defined. The results from the coupled model simulation generated an input-output dataset, and using this dataset, a neural network predictor for model outputs such as intradiscal pressure, maximum annulus stress, disc compression and shear forces, facet joints force, ligament forces, and muscle forces was developed. The appropriate selection of hidden layer sizes, activation functions, and weights updating method resulted in a satisfactory performance of the MLP with three hidden layers in predicting the test data outputs (coefficient of determination 0.98
  9. Keywords:
  10. Artificial Neural Network ; Spinal Loads ; Static Lifting ; Coupled Musculoskeletal Finite Element Modeling ; Symmetric Static Lifting ; Low Back Pain

 Digital Object List

 Bookmark

  • فصل1) مقدمه
    • 1-1 اهمیت پژوهش
    • 1-2 هدف پژوهش
    • 1-3 ساختار پایان‌نامه
  • فصل2) مفاهیم پایه
    • 2-1 آناتومی ستون مهره‌ها
      • 2-1-1 صفحات آناتومیکی بدن
      • 2-1-2 درجات آزادی مهره‌ها
      • 2-1-3 باربرداری متقارن و نامتقارن
      • 2-1-4 بخش‌های مختلف ستون مهره‌ها
      • 2-1-5 آناتومی مهره‌ها و مفاصل فست
      • 2-1-6 آناتومی دیسک‌ها
      • 2-1-7 آناتومی لیگامنت‌ها
      • 2-1-8 عضلات ستون مهره‌ها
    • 2-2 سطح مقطع فیزیولوژیک و نیروی عضله
    • 2-3 نسبت چرخش کمر به لگن
    • 2-4 مدل‌های بیومکانیکی ستون مهره‌ها
      • 2-4-1 مدل‌های برپایه تعادل
      • 2-4-2 مدل‌های برپایه پایداری
    • 2-5 معادلات رگرسیون
      • 2-5-1 رگرسیون خطی
      • 2-5-2 رگرسیون غیرخطی
      • 2-5-3 ارزیابی خطا
    • 2-6 شبکه عصبی مصنوعی
  • فصل3) مروری بر ادبیات موضوعی
    • 3-1 روش‌های تخمین بارهای وارد بر ستون مهره‌ها
    • 3-2 مدل‌های اجزاء محدود غیرفعال
    • 3-3 مدل‌های اسکلتی-عضلانی
      • 3-3-1 مدل اسکلتی-عضلانی مفاصل تیر شکل
    • 3-4 مدل‌های هیبرید
    • 3-5 مدل اجزاء محدود اسکلتی-عضلانی کوپل
    • 3-6 معادلات رگرسیون پیش‌بینی‌کننده نیروهای ستون مهره‌ها
    • 3-7 کاربرد شبکه عصبی مصنوعی در پیش‌بینی بارهای ستون فقرات
    • 3-8 جمع‌بندی و نتیجه‌گیری
  • فصل4) روش انجام پژوهش
    • 4-1 بازتعریف ورودی‌های مدل کوپل
      • 4-1-1 زاویه خم شدن رو به جلو T
      • 4-1-2 اندازه بار در دست M و فاصله بار تا مفصل شانه D
      • 4-1-3 نسبت چرخش کمر به لگن L/P
    • 4-2 حالت‌های باربرداری متقارن
    • 4-3 افزایش بیشینه‌ی تنش قابل تحمل عضلات
    • 4-4 تعریف نرخ یادگیری
    • 4-5 فلوچارت نهایی مدل کوپل
    • 4-6 خروجی‌های مدل کوپل
    • 4-7 تقسیم مجموعه داده‌ به داده‌های آموزش، اعتبارسنجی و آزمون
  • فصل5) نتایج، بحث و نتیجه‌گیری
    • 5-1 خروجی‌های درنظر گرفته شده از مدل کوپل
      • 5-1-1 حداکثر تنش اصلی در آنولوس
      • 5-1-2 میانگین نیروی عضلات سمت راست و سمت چپ بدن
      • 5-1-3 توزیع خروجی‌های مدل کوپل
      • 5-1-4 همبستگی بین ورودی‌ها و خروجی‌ها
    • 5-2 نسبت بسیار کم تعداد داده به تعداد وزن‌های شبکه
    • 5-3 معادلات رگرسیون خطی و درجه دو
    • 5-4 پیش‌پردازش داده‌ها
    • 5-5 شبکه عصبی با یک لایه مخفی
      • 5-5-1 ساختار شبکه
      • 5-5-2 ارزیابی خطا
    • 5-6 شبکه عصبی با دو لایه مخفی
      • 5-6-1 ساختار شبکه
      • 5-6-2 ارزیابی خطا
    • 5-7 شبکه عصبی با سه لایه مخفی
      • 5-7-1 ساختار شبکه
      • 5-7-2 ارزیابی خطا
    • 5-8 ارتباط جابجایی مهره‌ها و خروجی‌ها
    • 5-9 بحث و نتیجه‌گیری
      • 5-9-1 روابط بین ورودی‌ها و خروجی‌ها
      • 5-9-2 مقایسه ابزارهای نگاشت
      • 5-9-3 شباهت نتایج شبکه با ورودی جابجایی مراکز مهره‌ها با شبکه با چهار ورودی مدل کوپل
      • 5-9-4 محدودیت‌ها
  • منابع و مآخذ
  • پیوست: هیستوگرام‌های مجموعه داده ورودی-خروجی
...see more