論文の概要: Information processing via human soft tissue

• arxiv url: http://arxiv.org/abs/2305.14366v1
• Date: Wed, 17 May 2023 06:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 04:50:47.192979
• Title: Information processing via human soft tissue
• Title（参考訳）: ヒト軟組織による情報処理
• Authors: Yo Kobayashi
• Abstract要約: 本研究の目的は,人間の軟組織の力学を非線形力学系のエミュレーションのための物理貯水池として活用することであった。 その結果, 軟組織の力学は非線形力学系をエミュレートする計算作業に肯定的な影響を与えることが示唆された。
• 参考スコア（独自算出の注目度）: 0.39160947065896795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study demonstrates that the soft biological tissues of humans can be used as a type of soft body in physical reservoir computing. Soft biological tissues possess characteristics such as stress-strain nonlinearity and viscoelasticity that satisfy the requirements for physical reservoir computing, including nonlinearity and memory. The aim of this study was to utilize the dynamics of human soft tissues as a physical reservoir for the emulation of nonlinear dynamical systems. To demonstrate this concept, joint angle data during motion in the flexion-extension direction of the wrist joint, and ultrasound images of the muscles associated with that motion, were acquired from human participants. The input to the system was the angle of the wrist joint, while the deformation field within the muscle (obtained from ultrasound images) represented the state of the reservoir. The results indicate that the dynamics of soft tissue have a positive impact on the computational task of emulating nonlinear dynamical systems. This research suggests that the soft tissue of humans can be used as a potential computational resource.
• Abstract（参考訳）: 本研究は,人間の軟部生体組織を物理貯水池計算においてソフトボディの一種として使用できることを示した。 軟質生物組織は、応力-ひずみ非線形性や粘弾性といった特性を持ち、非線形性や記憶を含む物理貯水池計算の要件を満たす。 本研究の目的は,人間の軟組織の力学を非線形力学系のエミュレーションのための物理貯水池として活用することであった。 この概念を実証するために, 手関節の屈曲伸展方向の運動中の関節角データと, その運動に伴う筋の超音波画像が, 被験者から得られた。 システムへの入力は手関節の角度であり、筋肉内の変形場(超音波画像から守られている)は貯水池の状態を表していた。 その結果, 軟組織の力学は非線形力学系をエミュレートする計算作業に肯定的な影響を与えることがわかった。 この研究は人間の軟組織を潜在的な計算資源として利用できることを示唆している。

関連論文リスト

• 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)
• Automated Model Discovery for Tensional Homeostasis: Constitutive Machine Learning in Growth and Remodeling [0.0]
  キネマティック成長とホメオスタティック表面を組み込むことで,非弾性構成型ニューラルネットワーク(iCANN)を拡張した。 実験により得られた組織等価データから材料点レベルで学習するネットワークの能力を評価する。
  論文  参考訳（メタデータ） (2024-10-17T15:12:55Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• 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)
• A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
  表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。 ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。 本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:01:12Z)
• Neuromechanical Autoencoders: Learning to Couple Elastic and Neural Network Nonlinearity [15.47367187516723]
  私たちは機械学習のアナログを開発しようとしています。 メカニカルインテリジェンス 複素非線形弾性体のモルフォロジーとaを共に学習する。 ディープ・ニューラル・ネットワークで制御できます
  論文  参考訳（メタデータ） (2023-01-31T19:04:28Z)
• Data-driven anisotropic finite viscoelasticity using neural ordinary differential equations [0.0]
  本研究では, ニューラル常微分方程式をビルディングブロックとして用いた, 異方性有限粘弾性の完全なデータ駆動モデルを構築した。 我々は、ヘルムホルツ自由エネルギー関数と散逸ポテンシャルを、物理に基づく制約を満たすデータ駆動関数に置き換える。 本モデルは,脳組織,血液凝固物,天然ゴム,ヒト心筋などの生体および合成材料のストレス-ひずみデータを用いて訓練する。
  論文  参考訳（メタデータ） (2023-01-11T17:03:46Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。