論文の概要: The bionic neural network for external simulation of human locomotor system

• arxiv url: http://arxiv.org/abs/2309.05863v1
• Date: Mon, 11 Sep 2023 23:02:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 14:50:26.781151
• Title: The bionic neural network for external simulation of human locomotor system
• Title（参考訳）: bionic neural network for external simulation of human locomotor system (特集 バイオサイバネティックス)
• Authors: Yue Shi, Shuhao Ma, Yihui Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.6311880922890842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Muscle forces and joint kinematics estimated with musculoskeletal (MSK) modeling techniques offer useful metrics describing movement quality. Model-based computational MSK models can interpret the dynamic interaction between the neural drive to muscles, muscle dynamics, body and joint kinematics, and kinetics. Still, such a set of solutions suffers from high computational time and muscle recruitment problems, especially in complex modeling. In recent years, data-driven methods have emerged as a promising alternative due to the benefits of flexibility and adaptability. However, a large amount of labeled training data is not easy to be acquired. This paper proposes a physics-informed deep learning method based on MSK modeling to predict joint motion and muscle forces. The MSK model is embedded into the neural network as an ordinary differential equation (ODE) loss function with physiological parameters of muscle activation dynamics and muscle contraction dynamics to be identified. These parameters are automatically estimated during the training process which guides the prediction of muscle forces combined with the MSK forward dynamics model. Experimental validations on two groups of data, including one benchmark dataset and one self-collected dataset from six healthy subjects, are performed. The results demonstrate that the proposed deep learning method can effectively identify subject-specific MSK physiological parameters and the trained physics-informed forward-dynamics surrogate yields accurate motion and muscle forces predictions.
• Abstract（参考訳）: 筋力と筋骨格モデリング(MSK)技術で推定される関節運動学は、運動の質を説明する有用な指標を提供する。 モデルに基づく計算MSKモデルは、神経ドライブから筋肉、筋肉のダイナミクス、体と関節の運動学、運動学の間の動的相互作用を解釈することができる。 しかし、このような解群は計算時間や筋肉のリクルートの問題、特に複雑なモデリングに苦しむ。 近年,柔軟性と適応性というメリットから,データ駆動型手法が有望な代替手段として登場している。 しかし、大量のラベル付きトレーニングデータを取得するのは容易ではない。 本稿では,MSK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。 MSKモデルは、通常の微分方程式(ODE)損失関数としてニューラルネットワークに埋め込まれ、筋肉活性化ダイナミクスと筋肉収縮ダイナミクスの生理的パラメータを識別する。 これらのパラメータは、筋力予測とMSKフォワードダイナミクスモデルを組み合わせたトレーニングプロセス中に自動的に推定される。 6人の健常者による1つのベンチマークデータセットと1つの自己収集データセットを含む2つのデータに対する実験的検証を行う。 その結果,提案する深層学習法は,被験者固有のmsk生理的パラメータを効果的に同定し,物理に適応した前方運動サーロゲートにより正確な運動と筋力の予測が可能となった。

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)
• 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)
• 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)
• 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)
• Ranking of Communities in Multiplex Spatiotemporal Models of Brain Dynamics [0.0]
  隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。 この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。 ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
  論文  参考訳（メタデータ） (2022-03-17T12:14:09Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE [10.529943544385585]
  本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。 我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。 人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
  論文  参考訳（メタデータ） (2020-11-09T22:00:38Z)

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。