論文の概要: Predicting Muscle Thickness Deformation from Muscle Activation Patterns: A Dual-Attention Framework

• arxiv url: http://arxiv.org/abs/2409.18266v1
• Date: Thu, 26 Sep 2024 20:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 14:51:14.007930
• Title: Predicting Muscle Thickness Deformation from Muscle Activation Patterns: A Dual-Attention Framework
• Title（参考訳）: 筋活動パターンによる筋厚変化の予測:二重注意の枠組み
• Authors: Bangyu Lan, Kenan Niu,
• Abstract要約: 表面筋電図(sEMG)は筋の生体電気信号を筋の活性化として記録する。 本稿では筋厚の変形予測にsEMG信号を利用するディープラーニング手法を提案する。
• 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: Understanding the relationship between muscle activation and thickness deformation is critical for diagnosing muscle-related diseases and monitoring muscle health. Although ultrasound technique can measure muscle thickness change during muscle movement, its application in portable devices is limited by wiring and data collection challenges. Surface electromyography (sEMG), on the other hand, records muscle bioelectrical signals as the muscle activation. This paper introduced a deep-learning approach to leverage sEMG signals for muscle thickness deformation prediction, eliminating the need for ultrasound measurement. Using a dual-attention framework combining self-attention and cross-attention mechanisms, this method predicted muscle deformation directly from sEMG data. Experimental results with six healthy subjects showed that the approach could accurately predict muscle excursion with an average precision of 0.923$\pm$0.900mm, which shows that this method can facilitate real-time portable muscle health monitoring, showing potential for applications in clinical diagnostics, sports science, and rehabilitation.
• Abstract（参考訳）: 筋活動と厚さ変形の関係を理解することは、筋関連疾患の診断と筋の健康のモニタリングに重要である。 超音波技術は筋運動時の筋厚変化を測定することができるが、携帯機器への応用は配線やデータ収集の課題によって制限される。 一方、表面筋電図(sEMG)では、筋の生体電気信号が筋肉の活性化として記録されている。 本稿では,筋厚の変形予測にsEMG信号を利用する深層学習手法を導入し,超音波計測の必要性を排除した。 本手法は, 自己注意機構とクロスアテンション機構を組み合わせた二重アテンション機構を用いて, 筋の変形を直接sEMGデータから予測する。 健常者6名の実験結果から,本手法は平均精度0.923$\pm$0.900mmの筋運動を正確に予測し,リアルタイムの携帯型筋健康モニタリングを容易にし,臨床診断,スポーツ科学,リハビリテーションへの応用の可能性を示した。

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)
• Muscle volume quantification: guiding transformers with anatomical priors [1.8951649296071207]
  3次元磁気共鳴画像を用いた下肢18筋の自動分割法を提案する。 筋肉分節アルゴリズムは外観に依存しないが、輪郭の手がかりにのみ依存する。 本稿では,このようなハイブリッドアーキテクチャの挙動を,形状解析における筋分節の文脈で初めて考察する。
  論文  参考訳（メタデータ） (2023-10-31T10:56:10Z)
• 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)
• MSKdeX: Musculoskeletal (MSK) decomposition from an X-ray image for fine-grained estimation of lean muscle mass and muscle volume [5.1294076116231455]
  サルコペン症や骨粗しょう症などの筋骨格疾患は、加齢に伴う健康にとって大きな障害である。 そこで本研究では,原X線像,低コスト,低放射能,高アクセス性画像モダリティから微細な筋肉特性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:56:18Z)
• Precise Few-shot Fat-free Thigh Muscle Segmentation in T1-weighted MRI [22.292183145915548]
  T1強調MRIは、大腿筋マスクを得るためのデフォルトのサロゲートである。 ディープ・ラーニング・アプローチは、最近、セグメンテーションを通じてこれらのマスクを得るために広く使われている。 我々はIMFを除く大腿筋マスクを生成するための数発のセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-27T09:33:29Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Automatic Tracking of the Muscle Tendon Junction in Healthy and Impaired Subjects using Deep Learning [0.0]
  運動中の筋肉腱接合変位を記録することで、筋肉と腱の挙動を別々に調べることができる。 超音波画像における筋腱接合部の位置を検出するために,新しい深層学習手法を用いた。 提案手法は様々な分野に適用可能であり,リアルタイムに運用可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-05T11:24:40Z)

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。