論文の概要: A Biophysical-Model-Informed Source Separation Framework For EMG Decomposition

• arxiv url: http://arxiv.org/abs/2510.17822v1
• Date: Mon, 29 Sep 2025 17:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.490189
• Title: A Biophysical-Model-Informed Source Separation Framework For EMG Decomposition
• Title（参考訳）: EMG分解のための物理モデルインフォームドソース分離フレームワーク
• Authors: D. Halatsis, P. Mamidanna, J. Pereira, D. Farina,
• Abstract要約: 表面筋電図(sEMG)からの運動単位分解は、ニューラルドライブ情報を抽出する鍵となる技術である。 本稿では,解剖学的に高精度な前方EMGモデルを分解プロセスに統合する,新しいバイオ物理モデルインフォームドソース分離(BMISS)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in neural interfacing have enabled significant improvements in human-computer interaction, rehabilitation, and neuromuscular diagnostics. Motor unit (MU) decomposition from surface electromyography (sEMG) is a key technique for extracting neural drive information, but traditional blind source separation (BSS) methods fail to incorporate biophysical constraints, limiting their accuracy and interpretability. In this work, we introduce a novel Biophysical-Model-Informed Source Separation (BMISS) framework, which integrates anatomically accurate forward EMG models into the decomposition process. By leveraging MRI-based anatomical reconstructions and generative modeling, our approach enables direct inversion of a biophysically accurate forward model to estimate both neural drive and motor neuron properties in an unsupervised manner. Empirical validation in a controlled simulated setting demonstrates that BMISS achieves higher fidelity motor unit estimation while significantly reducing computational cost compared to traditional methods. This framework paves the way for non-invasive, personalized neuromuscular assessments, with potential applications in clinical diagnostics, prosthetic control, and neurorehabilitation.
• Abstract（参考訳）: 神経インターフェースの最近の進歩は、人間とコンピュータの相互作用、リハビリテーション、神経筋の診断の大幅な改善を可能にしている。 表面筋電図(sEMG)からの運動単位(MU)分解は、ニューラルドライブ情報を抽出する鍵となる技法であるが、従来のブラインドソース分離(BSS)法は、その正確さと解釈可能性を制限するバイオ物理的制約を組み込むことができない。 本稿では,解剖学的に正確な前方EMGモデルを分解プロセスに統合する,新しいバイオ物理モデルインフォームドソース分離(BMISS)フレームワークを提案する。 MRIに基づく解剖学的再構成と生成モデルを活用することにより、生体物理学的精度の高い前方モデルを直接逆転させることで、神経ドライブと運動ニューロンの特性を教師なしの方法で推定することができる。 制御されたシミュレーション環境での実証検証は、BMISSが従来の手法に比べて計算コストを大幅に削減しつつ、より高い忠実度運動単位推定を達成することを示す。 この枠組みは、非侵襲的でパーソナライズドな神経筋評価の道を開くもので、臨床診断、補綴治療、神経リハビリテーションに応用できる可能性がある。

関連論文リスト

• Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
  sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。 本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T16:07:20Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Physiological neural representation for personalised tracer kinetic parameter estimation from dynamic PET [0.7147474215053953]
  本稿では,暗黙的ニューラル表現(INR)に基づく生理的ニューラル表現を提案する。 連続関数を学習するINRは、データ要求を低減した効率的な高分解能パラメトリックイメージングを可能にする。 以上の結果から,INRsが腫瘍の性状,セグメンテーション,予後評価に応用できるパーソナライズされたデータ効率トレーサの速度論的モデリングに有用であることが示唆された。
  論文  参考訳（メタデータ） (2025-04-23T22:12:04Z)
• SkelMamba: A State Space Model for Efficient Skeleton Action Recognition of Neurological Disorders [14.304356695180005]
  骨格に基づく人間行動認識のための新しい状態空間モデル(SSM)を提案する。 本モデルでは,複数部位にわたる局所的な関節相互作用と大域的な運動パターンを捉える。 この歩行認識分解は、診断において重要な微妙な動きパターンを識別する能力を高める。
  論文  参考訳（メタデータ） (2024-11-29T08:43:52Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)

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。