Nature biomedical engineering
GaitDynamics：一种用于分析人类行走与跑步的生成式基础模型

小赛推荐：

该研究提出了GaitDynamics，一种基于大规模数据训练的生成式基础模型，能够灵活处理不完整输入，准确预测步态动力学，并模拟不同步态修改下的生物力学变化，显著提升步态分析的效率与适用性。

 

文献概述

本文《GaitDynamics：一种用于分析人类行走与跑步的生成式基础模型》，发表于《Nature biomedical engineering》杂志，回顾并总结了现有步态动力学分析方法在实验成本、数据完整性与泛化能力方面的局限性。研究团队提出了一种名为GaitDynamics的生成式基础模型，该模型基于大规模、多中心、多任务的生物力学数据集AddBiomechanics进行训练，实现了对步态运动学与地面反作用力的联合建模。通过扩散模型架构与灵活输入机制，GaitDynamics能够从部分身体运动数据中生成完整的动力学序列，并支持对步态参数修改（如躯干侧倾、跑步速度）的因果性预测。研究展示了其在力估计、关节负荷预测与步态生成三大任务上的高精度与高效性，同时开源模型与代码以促进临床与科研应用。整段通顺、有逻辑，结尾用中文句号，段落结尾使用

背景知识

步态动力学分析是理解人类运动机制、诊断运动障碍、预防运动损伤和优化康复训练的核心手段。传统方法依赖实验室环境中的运动捕捉系统与测力台，成本高昂且难以普及。物理仿真方法虽可减少实验依赖，但计算复杂度高，通常需数百小时完成单次模拟，限制了其在大规模人群或个性化干预中的应用。近年来，基于深度学习的数据驱动模型被用于从运动学估计地面反作用力，但多数模型受限于固定输入格式、单一任务目标，且训练数据规模小、人群同质化，导致泛化能力差。此外，现有模型无法预测步态修改（如增加步频或调整躯干姿态）对关节负荷的影响，限制了其在运动优化与疾病干预中的应用。因此，亟需一种具备高泛化性、支持灵活输入、可模拟多种步态场景的通用模型。GaitDynamics正是在此背景下提出，利用新型大规模数据集AddBiomechanics，构建首个面向步态动力学的生成式基础模型，填补了传统方法与现代AI模型之间的鸿沟。段落结尾使用

 

针对阿尔茨海默病、脊髓性肌萎缩、视网膜色素变性等罕见病，可提供HUGO-GT®全基因组人源化模型，搭载了更高效的大片段载体融合技术，可以作为万能模板进行针对性的突变定制服务，是更贴近真实世界生物机制的药物临床前研究模型，我们期待与你共同开发新型全基因组人源化小鼠，加速基因治疗研究

了解更多

 

研究方法与实验

研究基于AddBiomechanics数据集，整合了15项先前研究的34.8小时同步运动学与动力学数据，涵盖270名参与者，包含行走与跑步等多种步态模式。模型输入包括骨盆线速度、关节角度与角速度，输出为双侧地面反作用力及压力中心。GaitDynamics采用两阶段架构：首先使用扩散模型完成运动学补全（inpainting），再通过精炼模型映射至地面反作用力。模型在8项研究上训练，其余7项用于测试，确保跨研究泛化能力。实验设计包括三项下游任务：（1）评估不同运动学输入组合（如缺失躯干、髋关节数据）下的力估计精度；（2）模拟增加躯干侧倾角度对膝关节内收力矩的影响；（3）预测跑步速度变化对步长、关节角度与地面反作用力的综合影响。模型性能与现有卷积神经网络（CNN）和循环神经网络（RNN）模型对比，并采用滑动窗口策略处理长序列数据。

关键结论与观点

• GaitDynamics在估计垂直与内外侧地面反作用力波形方面显著优于现有CNN与RNN模型（P ≤ 0.01），且峰值垂直力误差低于临床可检测变化阈值，表明其具备临床实用性
• 即使在缺失部分身体运动学输入（如髋关节数据）的情况下，GaitDynamics仍能通过扩散模型生成合理运动学并保持力估计精度，显著优于中值填充等基线方法
• 模型在未参与训练的独立研究数据上表现稳定，且在骨关节炎患者中保持高精度，但对卒中患者泛化能力下降，提示模型对异常步态模式的适应性有待提升
• 通过合成躯干侧倾步态，GaitDynamics成功预测了膝关节内收力矩的降低趋势，与已有实验结果一致，验证了其在步态干预策略评估中的潜力
• 在模拟跑步速度从3 m/s增至5 m/s时，模型准确预测了步长、膝关节屈曲角度及前后向地面反作用力的增加趋势，且生成单次1.5秒步态仅需1秒，效率远超传统仿真方法

研究意义与展望

本研究标志着步态分析从依赖昂贵实验与耗时仿真向高效、可扩展的AI驱动范式转变。GaitDynamics作为首个步态动力学生成式基础模型，不仅提升了力估计的准确性与鲁棒性，还实现了对步态修改的因果性预测，为个性化康复、运动优化与外骨骼控制提供了新工具。其开源特性有助于推动社区协作与模型迭代。

未来工作可拓展至非步态任务（如跳跃、上下楼梯），并融合肌电数据以提供肌肉层面的生物力学解释。此外，当前模型受限于训练数据中的最大跑步速度（4.7 m/s），未来可通过数据增强或引入自监督学习进一步扩展适用范围。结合可穿戴传感器数据的适配也将提升其在真实世界场景中的实用性。

 

专业的眼科药效学分析平台可提供从眼部注射给药、眼部活体检测、眼部组织取材、病理学分析和基因与蛋白表达分子检测等全流程的眼科药效学分析服务

了解更多

 

结语

本研究成功开发并验证了GaitDynamics——一种基于扩散机制的生成式基础模型，用于高效、准确地分析人类行走与跑步的动力学特征。该模型突破了传统步态分析方法在实验成本与计算效率上的瓶颈，能够在输入数据不完整的情况下仍保持高精度的地面反作用力估计，并支持对步态参数修改的因果性预测。通过在大规模、多中心数据上训练，GaitDynamics展现出良好的跨研究泛化能力，尤其在骨关节炎患者中表现稳健。其在模拟躯干侧倾对膝关节负荷影响以及预测跑步速度变化相关动力学响应方面的成功应用，凸显了其在运动科学、康复医学与性能优化中的广泛潜力。模型的开源发布将进一步推动步态分析领域的技术 democratization，为远程医疗、可穿戴设备与个性化干预策略提供强大支持。未来方向包括拓展至更复杂运动模式、融合生理信号以及提升对极端病理步态的适应能力，从而实现更全面的人类运动理解与优化。

 

Tian Tan, Tom Van Wouwe, Keenon F Werling, Jennifer L Hicks, and Akshay S Chaudhari. GaitDynamics: a generative foundation model for analyzing human walking and running. Nature biomedical engineering.