David Rosin; Johannes Kässinger; Xingyao Yu et al. · 2026 · Medical & Biological Engineering & Computing

Metadata

Authors: David Rosin; Johannes Kässinger; Xingyao Yu; Michael Sedlmair; Okan Avci; Christian Bleiler; Oliver Röhrle

DOI: https://doi.org/10.1007/s11517-026-03519-x

Tags: #continuum-mechanics #finite-element #neural-network #PINNs

📄 Quick Note

摘要概述

本文提出一种密集连接的深度神经网络架构（PerSiVal），用于在资源受限设备（如 AR/移动端）上实现基于连续介质力学的肌肉骨骼系统仿真的实时可视化。作者以五肌肉激活驱动的上肢连续介质力学模型为数据源，先用稀疏网格代理模型捕捉肱二头肌表面变形，再用深度学习模型拟合从激活水平到表面网格节点位移的映射。在肱二头肌 2809 个表面节点上取得平均位置误差 0.97±0.16 mm（0.57±0.10%），CPU 上单次评估 9.88 ms、GPU 上 3.48 ms，对应理论帧率 101 fps / 287 fps，满足实时交互的 30 fps 下界。该工作作为复杂网格化生物力学模型实时可视化的概念验证，方法不依赖肌肉系统的固有特性，可推广到其他实时网格可视化场景。

关键图表

待精读时补充（预期包含：上肢连续介质力学 FE 模型示意、稀疏网格 + 深度神经网络代理建模流程图、肱二头肌表面变形误差与帧率评估结果图）。

与我的关联

该工作展示了"高保真 FE 仿真 + 代理模型 + 深度学习"组合实现实时可视化的通用范式，对需要在边缘/移动设备上加速生物力学连续介质仿真结果展示的场景具有方法学参考价值；其稀疏网格采样与神经网络代理建模的组合思路可迁移到其他实时 PDE 可视化任务。