Parameterizing Running Kinematics
Authors
Iversen, Kristoffer ; Kloster, Brian Vendelbo
Term
4. semester
Education
Publication year
2017
Submitted on
2017-06-06
Pages
25
Abstract
Formålet med dette studie var at opbygge en enkel, parametrisk model af løbeteknik, der bruger så få tal som muligt og stadig beskriver, hvordan mennesker løber. Vi indsamlede fuldkropsbevægelser fra 90 løbeforsøg og brugte disse til at drive muskelskelet-simuleringer i AnyBody Modeling System, en softwareplatform til analyse af knogler, led og muskler. For at beskrive bevægelsen udtrykte vi de anatomiske ledvinkler samt bækkenets translationer og rotationer med en blandet Fourier-rækkerepræsentation, en standardmetode til at beskrive gentagne bevægelser som summer af simple bølger. De resulterende Fourier-koefficienter blev modellens centrale parametre. Vi kombinerede derefter disse koefficienter med deltagernes kropsmålinger (antropometri) og anvendte hovedkomponentanalyse (PCA), en metode der finder de vigtigste mønstre i højdimensionelle data. De første 12 hovedkomponenter forklarede 90% af variationen på tværs af forsøgene. Ved kun at transformere disse 12 komponenter tilbage til de oprindelige variabler kunne vi troværdigt genskabe de registrerede løb. Vi skabte også nye løbeteknikker ved at skalere udvalgte hovedkomponenter med forskellige multipla af deres standardafvigelser, lægge dem til middelværdien af de første 12 komponenter og importere resultatet tilbage i AnyBody-systemet. Dette gav en pseudo-population af varierede, men realistiske, løbestile. Tilgangen reducerer modellens kompleksitet og bevarer samtidig de fleste væsentlige forskelle i bevægelse mellem løbere.
This study set out to build a simple, parametric model of running technique that uses as few numbers as possible while still describing how people run. We collected full-body motion from 90 running trials and used these trajectories to drive musculoskeletal simulations in the AnyBody Modeling System, a software platform for analyzing bones, joints, and muscles. To describe the motion, we expressed the anatomical joint angles and the pelvis translations and rotations with a mixed-term Fourier series, a standard way to represent repeating movements as sums of simple waves. The resulting Fourier coefficients became the core parameters of the model. We then combined these coefficients with participants’ body measurements (anthropometry) and applied Principal Components Analysis (PCA), a method that finds the main patterns in high-dimensional data. The first 12 principal components explained 90% of the variation across trials. By transforming only these 12 components back to the original variables, we could faithfully reconstruct the recorded runs. We also generated new running techniques by scaling selected principal components by different multiples of their standard deviations, adding these to the mean of the first 12 components, and importing the result back into the AnyBody system. This produced a pseudo-population of varied, yet realistic, running styles. The approach reduces model complexity while retaining most of the essential differences in movement between runners.
[This abstract was generated with the help of AI]
Documents