Prediction of gait kinetics from joint angles using machine learning in patients with cerebral palsy

Abstract

Joint moment and ground reaction force (GRF) during gait provide valuable information for clinical decision-making in patients with cerebral palsy (CP). Joint moments are calculated based on GRF using inverse dynamics models. Obtaining GRF from patients with CP is challenging. Typically developed (TD) individuals' joint moments and GRFs were predicted from joint angles using machine learning (ML), but no such study has been conducted on patients with CP. Accordingly, we aimed to predict the vertical GRF, dorsi plantar flexion, knee flexion-extension, hip flexion-extension, and hip adduction-abduction moments based on the trunk, pelvis, hip, knee, and ankle kinematics during gait in patients with CP and TD individuals using one-dimensional convolutional neural networks. The anonymized retrospective gait data of CP and TD subjects were used. The data were collected in the course of patient care over the last two decades in the Department of Orthopedics and Traumatology of Heidelberg University. For broadening the ML study, we trained specific ML models of ridge regression, random forest, multilayer neural network, k-nearest neighbour, long short term memory neural network algorithms by using manually extracted time domain features and automatically generated features of gait kinematics. Their performances were evaluated and compared using isolated test subject groups based on normalized root mean square error (nRMSE) and Pearson correlation coefficient (PCC). Joint moments were predicted with nRMSE between 18.02% and 13.58% for the CP and between 12.55% and 8.58% for the TD groups, whereas with PCC between 0.90 and 0.96 for the CP and between 0.96 and 0.99 for the TD groups. GRF was predicted with an nRMSE of 7.47% for TD subjects and 11.75% for CP subjects, while with a PCC score of 0.98 for the TD and 0.94 for the CP group. ML algorithms using time domain features and automatically generated features showed similar performance. ML-based joint moment prediction from kinematics could replace conventional moment calculation in CP patients in the future, but the current level of prediction errors restricts its use for clinical decision making today. Keywords: Machine Learning; Cerebral palsy; Gait; Ground reaction force; Joint momen

Serebral palsili (SP) hastalarda yürüme sırasında eklem momentleri ve yer reaksiyon kuvveti (YTK), klinik karar verme sürecinde değerli bilgiler sağlar. Eklem momentleri, ters kinematik modeller kullanılarak YTK'ne dayalı olarak hesaplanır. SP'li hastalardan YTK elde etmek zorlu bir süreçtir. Sağlıklı bireylerde eklem momentleri ve YTK'leri, makine öğrenmesi (MÖ) kullanılarak eklem açılarından tahmin edilmiştir, ancak SP'li hastalar üzerinde böyle bir çalışma henüz yapılmamıştır. Bu nedenle, bu çalışmada SP'li hastalarda ve sağlıklı bireylerde yürüme sırasında gövde, pelvis, kalça, diz ve ayak bileği kinematiği temel alınarak dikey YTK, dorsi-plantar fleksiyon, diz fleksiyon-ekstansiyon, kalça fleksiyon-ekstansiyon ve kalça addüksiyon-abdüksiyon momentlerinin bir boyutlu konvolüsyonel sinir ağları kullanılarak tahmin edilmesi amaçlandı. SP ve sağlıklı deneklerin anonimleştirilmiş geriye dönük yürüme verileri kullanıldı. Veriler, Heidelberg Üniversitesi, Ortopedi ve Travmatoloji Bölümü'nde son yirmi yıl içinde hastaların klinik çalışmaları sırasında toplanmıştır. MÖ çalışmasını genişletmek için, yürüme kinematiğinin zaman alanı özniteliklerinin manuel ve otomatik olarak çıkarılması yöntemleri kullanılarak ridge regresyon, rastgele karar ormanı, çok katmanlı sinir ağı, k-en yakın komşu, uzun-kısa süreli bellek sinir ağı algoritmalarının özelleştirilmiş MÖ modelleri eğitildi. Performansları, normalize edilmiş karesel ortalama hata (nKOH) ve Pearson korelasyon katsayısı (PCC) kullanılarak izole edilmiş test örneği gruplarında değerlendirildi ve karşılaştırıldı. Eklem momentleri, SP grubu için %18,02 ila %13,58 arasında nKOH ve sağlıklılar grubu için %12,55 ila %8,58 arasında nKOH ile tahmin edildi, SP grubu için 0,90 ila 0,96 arasında PCC ve sağlıklılar grubu için 0,96 ila 0,99 arasında PCC ile tahmin edildi. YTK, sağlıklı bireyler için %7,47 nKOH ve SP’li hastalar için %11,75 nKOH ile tahmin edildi, sağlıklılar grubu için 0,98 PCC ve SP grubu için 0,94 PCC ile tahmin edildi. Makine öğrenimi algoritmaları, manuel ve otomatik çıkarılmış öznitelikleri kullanarak benzer performans sergiledi. Makine öğrenimine dayalı eklem momenti tahmini, SP’li hastalarda geleneksel moment hesaplamanın yerine geçebilir, ancak mevcut düzeydeki tahmin hataları, klinik karar vermede bugün kullanımını sınırlamaktadır.