論文の概要: Deep Muscle EMG construction using A Physics-Integrated Deep Learning approach
- arxiv url: http://arxiv.org/abs/2503.05201v1
- Date: Fri, 07 Mar 2025 07:46:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 12:23:01.362756
- Title: Deep Muscle EMG construction using A Physics-Integrated Deep Learning approach
- Title（参考訳）: 物理集積型深層学習を用いた深部筋筋電図構築
- Authors: Rajnish Kumar, Tapas Tripura, Souvik Chakraborty, Sitikantha Roy,
- Abstract要約: 物理インフォームドとデータ駆動型ディープラーニングを統合したハイブリッドディープラーニングアルゴリズム,すなわちニューラル筋骨格モデル(NMM)を提案する。
データ駆動モデリングは、欠落したEMG信号を予測するのに使用されるが、物理に基づくモデリングは、対象固有の情報を予測にエングレーブする。
- 参考スコア（独自算出の注目度）: 0.7499722271664147
- License:
- Abstract: Electromyography (EMG)--based computational musculoskeletal modeling is a non-invasive method for studying musculotendon function, human movement, and neuromuscular control, providing estimates of internal variables like muscle forces and joint torques. However, EMG signals from deeper muscles are often challenging to measure by placing the surface EMG electrodes and unfeasible to measure directly using invasive methods. The restriction to the access of EMG data from deeper muscles poses a considerable obstacle to the broad adoption of EMG-driven modeling techniques. A strategic alternative is to use an estimation algorithm to approximate the missing EMG signals from deeper muscle. A similar strategy is used in physics-informed deep learning, where the features of physical systems are learned without labeled data. In this work, we propose a hybrid deep learning algorithm, namely the neural musculoskeletal model (NMM), that integrates physics-informed and data-driven deep learning to approximate the EMG signals from the deeper muscles. While data-driven modeling is used to predict the missing EMG signals, physics-based modeling engraves the subject-specific information into the predictions. Experimental verifications on five test subjects are carried out to investigate the performance of the proposed hybrid framework. The proposed NMM is validated against the joint torque computed from 'OpenSim' software. The predicted deep EMG signals are also compared against the state-of-the-art muscle synergy extrapolation (MSE) approach, where the proposed NMM completely outperforms the existing MSE framework by a significant margin.
- Abstract（参考訳）: 筋電図に基づく筋骨格モデリング(EMG)は筋腱機能、人間の運動、神経筋制御を研究する非侵襲的手法であり、筋力や関節トルクなどの内部変数を推定する。
しかし、深部筋からのEMG信号は、表面EMG電極を配置することで測定することがしばしば困難であり、侵襲的な方法で直接測定することは不可能である。
筋深部からのEMGデータへのアクセスの制限は、EMG駆動モデリング技術の普及にかなりの障害をもたらす。
戦略的な代替手段は、深い筋肉から行方不明の筋電図信号を近似するために推定アルゴリズムを使用することである。
同様の戦略は物理インフォームド・ディープ・ラーニング(英語版)において使われ、物理系の特徴はラベル付きデータなしで学習される。
本研究では,脳神経筋骨格モデル(NMM)を用いて,深部筋からのEMG信号を近似するために,物理情報とデータ駆動深部学習を統合したハイブリッドディープラーニングアルゴリズムを提案する。
データ駆動モデリングは、欠落したEMG信号を予測するのに使用されるが、物理に基づくモデリングは、対象固有の情報を予測にエングレーブする。
提案したハイブリッドフレームワークの性能評価のために,5つの被験者の実験的検討を行った。
提案したNMMは,OpenSimソフトウェアから計算したジョイントトルクに対して検証される。
予測された深部筋電図信号は、最先端の筋シナジー補間法(MSE)アプローチと比較され、提案したNMMは既存のMSEフレームワークを著しく上回っている。
関連論文リスト
- Equivariant Masked Position Prediction for Efficient Molecular Representation [6.761418610103767]
グラフニューラルネットワーク(GNN)は、計算化学においてかなりの可能性を示している。
Equivariant Masked Position Prediction (EMPP) と呼ばれる新しい自己教師型アプローチを導入する。
EMPPは、より明確に定義され、量子力学的特徴の学習を強化するニュアンスされた位置予測タスクを定式化する。
論文 参考訳（メタデータ） (2025-02-12T08:39:26Z) - Physics-informed Deep Learning for Muscle Force Prediction with Unlabeled sEMG Signals [4.382876444149811]
本稿では,モデルトレーニング中にラベル情報なしで筋力を予測する物理インフォームドディープラーニング手法を提案する。
また,提案手法は筋腱パラメータの同定にも有効である。
筋力の予測結果は,根平均二乗誤差(RMSE)と基準法に比べて高い判定係数を示した。
論文 参考訳（メタデータ） (2024-12-05T14:47:38Z) - MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network [21.596126531908908]
表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。
我々は,Mamba状態空間モデルと畳み込みニューラルネットワークを統合し,軽量なsEMG復調モデルとして機能する新しいシステムであるMSEMGを紹介する。
論文 参考訳（メタデータ） (2024-11-28T04:25:28Z) - AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - 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) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - 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) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - 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) - Heterogeneous Hand Guise Classification Based on Surface
Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。
現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。
本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
論文 参考訳（メタデータ） (2021-01-17T17:02:04Z)
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。