Finite element human body models (HBMs) are essential numerical tools in fields such as biomechanics, medical simulation, and vehicle safety. Recent developments in machine learning have opened up new opportunities in many directions relating to finite element modeling. However, its potential for automating the positioning of finite element HBMs remains largely unexplored. This project explores data-driven approaches for positioning the skin surface of HBMs based on joint rotation angle inputs, especially under limited training data conditions. This work complements efforts on full-body positioning by providing insights at the surface level for evaluating machine learning models-based positioning strategies, serving as a potential upstream step toward more comprehensive pipelines, such as the one in related full-body HBM work.
The dataset used for this project included only 144 samples, each involving changes in only one or two of 15 defined joints. To address this, this project implemented and evaluated multiple machine learning models, including Multi-Layer Perceptron (MLP), Random Forest, Conditional Variational Autoencoder (CVAE), Per Node MLP, and Graph Neural Network (GNN). This project also explored methods for enhancing the skin surface smoothness of predicted HBMs, including incorporating Laplacian smoothing loss during training, applying post-processing filters (Laplacian, Taubin, and Bilateral), and using a combined MLP-GNN model. In this project, a comprehensive evaluation framework was also developed to assess the predicted skin surface of HBMs based on mean squared error (MSE) of coordinates, surface smoothness, geometric similarity, and preservation of the local shape of the model. Experimental results showed that the combination of MLP with a GNN-based smoother achieved the best overall performance. Notably, despite training on a small dataset, the final model successfully positioned high-quality skin surfaces of HBMs for arbitrary joint configurations, which demonstrated the strong generalization capability of the proposed approach under limited data conditions.
Finita element-modeller av människokroppen (HBM:er) är viktiga numeriska verktyg inom områden som biomekanik, medicinsk simulering och fordonssäkerhet. De senaste framstegen inom maskinin- lärning har öppnat nya möjligheter i många riktningar relaterade till finit element-modellering. Dock är dess potential för att automatisera positioneringen av finita element-HBM:er fortfarande till stor del outforskad. Det här projektet undersöker databaserade metoder för att positionera hudytan hos HBM:er baserat på inmatade ledrotationsvinklar, särskilt under förhållanden med begränsad träningsdata. Ar- betet kompletterar tidigare insatser för helkroppspositionering genom att erbjuda insikter på ytnivå för att utvärdera maskininlärningsbaserade positioneringsstrategier, vilket fungerar som ett potentiellt in- ledande steg mot mer omfattande bearbetningsflöden, såsom de som används i relaterat arbete med helkropps-HBM:er.
Datasettet som användes i projektet innehöll endast 144 exempel, där varje exempel innefattade förän- dringar i enbart en eller två av femton definierade leder. För att hantera detta implementerade och utvärderade projektet flera maskininlärningsmodeller, inklusive Multi-Layer Perceptron (MLP), Ran- dom Forest, Conditional Variational Autoencoder (CVAE), Per Node MLP och Graph Neural Network (GNN). Projektet undersökte också metoder för att förbättra hudytans jämnhet i de förutsagda HBM:erna, bland annat genom att införa Laplacian-slätningsförlust under träning, tillämpa efterbehandlingsfilter (Laplacian, Taubin och Bilateral), samt använda en kombinerad MLP-GNN-modell. En omfattande utvärderingsram togs också fram för att bedöma den förutsagda hudytan hos HBM:erna baserat på medelkvadratfel (MSE) för koordinater, ytjämnhet, geometrisk likhet och bevarandet av modellens lokala form.
Experimentella resultat visade att kombinationen av MLP med en GNN-baserad slätare uppnådde den bästa övergripande prestandan. Trots att modellen tränades på ett litet dataset lyckades den slutliga mod- ellen positionera hudytor av hög kvalitet för HBM:er med godtyckliga ledkonfigurationer, vilket visar den föreslagna metodens starka generaliseringsförmåga under förhållanden med begränsad datamängd.