論文の概要: A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics

• arxiv url: http://arxiv.org/abs/2307.05361v1
• Date: Sat, 8 Jul 2023 23:01:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 14:15:10.649563
• Title: A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics
• Title（参考訳）: 筋力と関節運動量のsEMGに基づく物理インフォームドローショット学習
• Authors: Yue Shi, Shuhao Ma, Yihui Zhao, Zhiqiang Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.878073267556235
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Muscle force and joint kinematics estimation from surface electromyography (sEMG) are essential for real-time biomechanical analysis of the dynamic interplay among neural muscle stimulation, muscle dynamics, and kinetics. Recent advances in deep neural networks (DNNs) have shown the potential to improve biomechanical analysis in a fully automated and reproducible manner. However, the small sample nature and physical interpretability of biomechanical analysis limit the applications of DNNs. This paper presents a novel physics-informed low-shot learning method for sEMG-based estimation of muscle force and joint kinematics. This method seamlessly integrates Lagrange's equation of motion and inverse dynamic muscle model into the generative adversarial network (GAN) framework for structured feature decoding and extrapolated estimation from the small sample data. Specifically, Lagrange's equation of motion is introduced into the generative model to restrain the structured decoding of the high-level features following the laws of physics. And a physics-informed policy gradient is designed to improve the adversarial learning efficiency by rewarding the consistent physical representation of the extrapolated estimations and the physical references. Experimental validations are conducted on two scenarios (i.e. the walking trials and wrist motion trials). Results indicate that the estimations of the muscle forces and joint kinematics are unbiased compared to the physics-based inverse dynamics, which outperforms the selected benchmark methods, including physics-informed convolution neural network (PI-CNN), vallina generative adversarial network (GAN), and multi-layer extreme learning machine (ML-ELM).
• Abstract（参考訳）: 表面筋電図(SEMG)からの筋力と関節キネマティクス推定は,神経筋刺激,筋動態,運動学における動的相互作用のリアルタイム生体力学的解析に不可欠である。 深層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的解析を改善する可能性を示している。 しかし, 微小試料の性質と生体力学的解析の物理的解釈性は, dnnの応用を制限している。 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。 この方法は, ラグランジュの運動方程式と逆動的筋モデルとを, 構造的特徴復号と小サンプルデータからの外挿推定のためのGANフレームワークにシームレスに統合する。 具体的には、ラグランジュの運動方程式が生成モデルに導入され、物理学の法則に従う高次特徴の構造化復号を抑える。 また,外挿推定値と物理参照値の一貫した物理表現を報奨することにより,対向学習効率を向上させるために,物理に変形した政策勾配が設計されている。 実験的な検証は2つのシナリオ(歩行試験と手首運動試験)で実施されている。 その結果, 筋力と関節キネマティクスの推定値は, 物理学に基づく逆動力学と比較して非バイアスであり, 物理インフォームド・コンボリューション・ニューラルネット(PI-CNN), バレリーナ生成対向ネットワーク(GAN), 多層超越学習マシン(ML-ELM)など, 選択されたベンチマーク手法よりも優れていた。

関連論文リスト

• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals Across Varied Loads with a Physics-Informed Neural Network [0.0]
  PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。 PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。 その結果,関節角度予測では58%から83%の相関が認められた。
  論文  参考訳（メタデータ） (2023-11-28T16:55:11Z)
• 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 Multi-Resolution Physics-Informed Recurrent Neural Network: Formulation and Application to Musculoskeletal Systems [1.978587235008588]
  本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。 提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。 このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
  論文  参考訳（メタデータ） (2023-05-26T02:51:39Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Learning to Simulate Unseen Physical Systems with Graph Neural Networks [13.202870928432045]
  グラフベース物理エンジン(Graph-based Physics Engine)は,物理先行パラメータと物質パラメータを組み込んだ機械学習手法である。 我々は、GPEがトレーニングセットにない異なる特性を持つ材料に一般化できることを実証した。 さらに、モデルに運動量保存の法則を導入することにより、学習の効率性と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2022-01-28T07:56:46Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。