تمكّن النماذج العضلية الهيكلية من تحديد القوى الداخلية المؤثرة أثناء الحركة الديناميكية، وهي مفيدة سريريًا، لكن الطرق التقليدية قد تعاني من البطء واحتياجها إلى كميات كبيرة من البيانات المدخلة. في الآونة الأخيرة، ازداد الاهتمام باستخدام التعلم المراقب لبناء نماذج تقريبية للعمليات الحسابية المكلفة، مع ميزات تتمثّل في السرعة والمرونة. في هذه الدراسة، نستخدم شبكة عصبية عميقة لتعلم التماثل بين فضاء الحركة وفضاء العضلات. تم تدريب الشبكة على مجموعة من القياسات الحركية والديناميكية والعضلية الكهربائية (EMG) من 156 مشاركًا أثناء المشي، وتبين أن تنبؤات الشبكة بقيم القوى الداخلية تتماشى جيدًا مع تلك المستمدة من النمذجة العضلية الهيكلية. وفي تجارب منفصلة، أدى التدريب على بيانات من أكثر المعايير شهرة لاختبار أداء النمذجة، وهي مسابقات "التحدي الدولي" العالمية، إلى توليد تنبؤات أفضل من إجابات الفائزين في أربع من أصل ست مسابقات. كما يتيح التسارع الحسابي دمج النظام في نظام مختبري يتيح تقدير القوى في الزمن الفعلي، كما تُقدّم عملية تحليل الشبكات العصبية المدربة رؤى جديدة حول العلاقات على مستوى السكان بين العوامل الحركية والديناميكية.