論文の概要: From Motion to Muscle
- arxiv url: http://arxiv.org/abs/2201.11501v1
- Date: Thu, 27 Jan 2022 13:30:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 15:00:05.548637
- Title: From Motion to Muscle
- Title（参考訳）: 動きから筋肉まで
- Authors: Marie Dominique Schmidt, Tobias Glasmachers, Ioannis Iossifidis
- Abstract要約: 筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。
このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Voluntary human motion is the product of muscle activity that results from
upstream motion planning of the motor cortical areas. We show that muscle
activity can be artificially generated based on motion features such as
position, velocity, and acceleration. For this purpose, we specifically develop
an approach based on recurrent neural network that is trained in a supervised
learning session; additional neural network architectures are considered and
evaluated. The performance is evaluated by a new score called the zero-line
score. The latter adaptively rescales the loss function of the generated signal
for all channels comparing the overall range of muscle activity and thus
dynamically evaluates similarities between both signals. The model achieves
remarkable precision for previously trained movements and maintains
significantly high precision for new movements that have not been previously
trained. Further, these models are trained on multiple subjects and thus are
able to generalize across individuals. In addition, we distinguish between a
general model that has been trained on several subjects, a subject-specific
model, and a specific pre-trained model that uses the general model as a basis
and is adapted to a specific subject afterward. The subject-specific generation
of muscle activity can be further used to improve the rehabilitation of
neuromuscular diseases with myoelectric prostheses and functional electric
stimulation.
- Abstract（参考訳）: 随意運動は、運動皮質領域の上流運動計画から生じる筋活動の産物である。
筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。
この目的のために,教師付き学習セッションでトレーニングされたリカレントニューラルネットワークに基づくアプローチを特に開発し,追加のニューラルネットワークアーキテクチャを検討・評価する。
パフォーマンスはゼロラインスコアと呼ばれる新しいスコアによって評価される。
後者は、筋活動の全体範囲を比較する全てのチャネルで生成された信号の損失関数を適応的に再スケールし、両方の信号の類似性を動的に評価する。
このモデルは、以前に訓練された動きに対して顕著な精度を達成し、これまで訓練されていなかった新しい動きに対して非常に高い精度を維持する。
さらに、これらのモデルは複数の被験者で訓練され、個人間で一般化することができる。
さらに,複数の対象に対して訓練を行った一般モデルと,対象別モデルと,その基礎として一般モデルを使用し,その後に特定の対象に適応した特定の事前学習モデルとを区別する。
筋活動の主題特異的な発生は、筋電義手と機能的電気刺激による神経筋疾患のリハビリテーションを改善するためにさらに使用できる。
関連論文リスト
- Object segmentation from common fate: Motion energy processing enables human-like zero-shot generalization to random dot stimuli [10.978614683038758]
ゼロショット図形-地上セグメンテーションのための広い範囲の光学フローモデルと神経科学による運動エネルギーモデルを評価する。
異なるデータセットでトレーニングされた40の深い光フローモデルの断面は、ランダムなドットビデオの動作パターンを推定するのに苦労している。
この神経科学にインスパイアされたモデルは、現在のコンピュータビジョンモデルにおけるランダムドット刺激に対する人間のようなゼロショット一般化の欠如にうまく対処する。
論文 参考訳（メタデータ） (2024-11-03T09:59:45Z) - Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。
227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。
ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
論文 参考訳（メタデータ） (2024-10-31T18:28:53Z) - The bionic neural network for external simulation of human locomotor
system [2.6311880922890842]
本稿では,筋骨格モデルに基づく物理インフォームド深層学習法を提案し,関節運動と筋力を予測する。
この方法は、被験者固有のMSK生理学的パラメータを効果的に同定することができ、訓練された物理インフォームドフォワード力学は、正確な動きと筋力予測をもたらす。
論文 参考訳（メタデータ） (2023-09-11T23:02:56Z) - Agent-based Modeling and Simulation of Human Muscle For Development of
Human Gait Analyzer Application [1.0878040851638]
この応用は、臨床の専門家が健康な筋肉と不健康な筋肉を区別するために使用できる。
Bootsアルゴリズムは、人間の動作の逆ダイナミクスを行うために、人間の下半身の生体力学的モデルに基づいて設計されている。
論文 参考訳（メタデータ） (2022-12-24T15:57:31Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Learning Local Recurrent Models for Human Mesh Recovery [50.85467243778406]
本稿では,人間のメッシュを標準的な骨格モデルに従って複数の局所的に分割するビデオメッシュ復元手法を提案する。
次に、各局所部分の力学を別個のリカレントモデルでモデル化し、各モデルは、人体の既知の運動構造に基づいて適切に条件付けする。
これにより、構造的インフォームドな局所的再帰学習アーキテクチャが実現され、アノテーションを使ってエンドツーエンドでトレーニングすることができる。
論文 参考訳（メタデータ） (2021-07-27T14:30:33Z) - Learning Control Policies for Imitating Human Gaits [2.28438857884398]
人間はウォーキング、ランニング、ジャンプといった運動を最も効率的な方法で行っており、このプロジェクトの動機の源となっている。
骨格と筋骨格の人間モデルは,矢状面の運動に対して考慮された。
モデルフリー強化学習アルゴリズムは、逆ダイナミクス制御動作の最適化に用いられた。
論文 参考訳（メタデータ） (2021-05-15T16:33:24Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z) - Reinforcement Learning of Musculoskeletal Control from Functional
Simulations [3.94716580540538]
本研究は、深部強化学習(DRL)に基づく逆動力学制御器を用いて、人間の肩の生体力学的モデルによる筋活動の制御を訓練する。
その結果,無作為に発生する角軌道に追従する作業に対して,肩下降の単一軸運動制御を行うことができた。
論文 参考訳（メタデータ） (2020-07-13T20:20:01Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。