論文の概要: Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network
- arxiv url: http://arxiv.org/abs/2312.09418v1
- Date: Tue, 28 Nov 2023 16:55:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:23:05.113141
- Title: Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network
- Title（参考訳）: 物理インフォーメーションニューラルネットワークを用いた多負荷筋電図信号による上肢の多関節運動の予測
- Authors: Rajnish Kumar, Suriya Prakash Muthukrishnan, Lalan Kumar, Sitikantha
Roy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this research, we present an innovative method known as a physics-informed
neural network (PINN) model to predict multi-joint kinematics using
electromyography (EMG) signals recorded from the muscles surrounding these
joints across various loads. The primary aim is to simultaneously predict both
the shoulder and elbow joint angles while executing elbow flexion-extension
(FE) movements, especially under varying load conditions. The PINN model is
constructed by combining a feed-forward Artificial Neural Network (ANN) with a
joint torque computation model. During the training process, the model utilizes
a custom loss function derived from an inverse dynamics joint torque
musculoskeletal model, along with a mean square angle loss. The training
dataset for the PINN model comprises EMG and time data collected from four
different subjects. To assess the model's performance, we conducted a
comparison between the predicted joint angles and experimental data using a
testing data set. The results demonstrated strong correlations of 58% to 83% in
joint angle prediction. The findings highlight the potential of incorporating
physical principles into the model, not only increasing its versatility but
also enhancing its accuracy. The findings could have significant implications
for the precise estimation of multi-joint kinematics in dynamic scenarios,
particularly concerning the advancement of human-machine interfaces (HMIs) for
exoskeletons and prosthetic control systems.
- Abstract（参考訳）: 本研究では,これらの関節を囲む筋肉から記録された筋電図(emg)信号を用いて,多関節運動学を予測するための物理インフォームドニューラルネットワーク(pinn)モデルを提案する。
主な目的は,肩関節角度と肘関節角度を同時に予測し,特に負荷条件の異なる肘屈曲伸展(FE)運動を行うことである。
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計算モデルを組み合わせることで構成される。
トレーニングの過程では,逆動力学関節筋骨格モデルから得られたカスタム損失関数と,平均二乗角損失を利用する。
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。
モデルの性能を評価するため,実験データと予測関節角度の比較を行った。
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。
この結果は、モデルに物理原理を組み込むことの可能性を強調し、汎用性を高めるだけでなく、精度も向上させた。
この結果は, 動的シナリオにおけるマルチジョイント・キネマティクスの正確な推定, 特に外骨格および補綴制御系のためのヒューマン・マシン・インタフェース(HMI)の進歩に重要な影響を与える可能性がある。
関連論文リスト
- sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
本研究では,多関節トルク予測のための物理インフォームドGated Recurrent Network(PiGRN)を提案する。
PiGRNモデルは10個の不慣れな運動に対する関節トルクを正確に予測した。
これらの知見は、PiGRNのリアルタイム外骨格およびリハビリテーションへの応用の可能性を示している。
論文 参考訳（メタデータ） (2024-08-29T15:09:04Z) - 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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - 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) - 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) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。