論文の概要: Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters

• arxiv url: http://arxiv.org/abs/2508.13303v1
• Date: Mon, 18 Aug 2025 18:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.703252
• Title: Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters
• Title（参考訳）: Diff-MSM:ヒト筋肉と骨パラメータの同時同定のための分化可能な筋骨格モデル
• Authors: Yingfan Zhou, Philip Sanderink, Sigurd Jager Lemming, Cheng Fang,
• Abstract要約: 筋と骨のパラメータを同時に同定するために,Diff-MSM (Diff-MSM) を用いた。 Diff-MSMを用いた新しいパラメータ識別技術は、筋肉の健康モニタリング、リハビリテーション、スポーツ科学における新しい応用を可能にする大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 5.071602765737453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity personalized human musculoskeletal models are crucial for simulating realistic behavior of physically coupled human-robot interactive systems and verifying their safety-critical applications in simulations before actual deployment, such as human-robot co-transportation and rehabilitation through robotic exoskeletons. Identifying subject-specific Hill-type muscle model parameters and bone dynamic parameters is essential for a personalized musculoskeletal model, but very challenging due to the difficulty of measuring the internal biomechanical variables in vivo directly, especially the joint torques. In this paper, we propose using Differentiable MusculoSkeletal Model (Diff-MSM) to simultaneously identify its muscle and bone parameters with an end-to-end automatic differentiation technique differentiating from the measurable muscle activation, through the joint torque, to the resulting observable motion without the need to measure the internal joint torques. Through extensive comparative simulations, the results manifested that our proposed method significantly outperformed the state-of-the-art baseline methods, especially in terms of accurate estimation of the muscle parameters (i.e., initial guess sampled from a normal distribution with the mean being the ground truth and the standard deviation being 10% of the ground truth could end up with an average of the percentage errors of the estimated values as low as 0.05%). In addition to human musculoskeletal modeling and simulation, the new parameter identification technique with the Diff-MSM has great potential to enable new applications in muscle health monitoring, rehabilitation, and sports science.
• Abstract（参考訳）: 高忠実度パーソナライズされたヒト筋骨格モデルは、物理的に結合されたヒト-ロボットの対話システムの現実的な挙動をシミュレートし、人間-ロボット共輸送やロボット外骨格によるリハビリテーションのような実際の展開前シミュレーションにおける安全性に重要な応用を検証するために重要である。 人体特異的ヒル型筋モデルパラメーターと骨力学パラメーターの同定は、パーソナライズされた筋骨格モデルに不可欠であるが、生体内、特に関節のトルクを直接測定することが困難であるため非常に困難である。 本稿では, 筋骨格モデル(Diff-MSM)を用いて, 筋と骨のパラメータを, 関節トルクを介して計測可能な筋の活性化から, 内部関節トルクを計測することなく観測可能な運動へと区別するエンド・ツー・エンド自動微分法により同時に同定する手法を提案する。 以上の結果から,提案手法は筋のパラメータの正確な推定方法(平均値が基底値,標準偏差が基底値の10%の正規分布からサンプリングされた初期推定値)において,平均誤差を0.05%以下に抑えることができた。 ヒトの筋骨格モデルとシミュレーションに加え、Diff-MSMを用いた新しいパラメータ識別技術は、筋肉の健康モニタリング、リハビリテーション、スポーツ科学における新しい応用を可能にする大きな可能性を秘めている。

関連論文リスト

• 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)
• 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)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Accelerated, physics-inspired inference of skeletal muscle microstructure from diffusion-weighted MRI [0.0]
  骨格筋の健康状態の現在の測定は、筋肉機能の仲介において重要な役割を担っている筋肉の微細構造の変化を限定的に考慮している。 骨格筋の組織構造の非侵襲的および生体内評価のための,物理に着想を得た機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T19:01:04Z)
• 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)

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。