論文の概要: Estimating Human Muscular Fatigue in Dynamic Collaborative Robotic Tasks with Learning-Based Models

• arxiv url: http://arxiv.org/abs/2602.15684v1
• Date: Tue, 17 Feb 2026 16:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.120507
• Title: Estimating Human Muscular Fatigue in Dynamic Collaborative Robotic Tasks with Learning-Based Models
• Title（参考訳）: 学習モデルを用いた動的協調ロボット作業における筋疲労の推定
• Authors: Feras Kiki, Pouya P. Niaz, Alireza Madani, Cagatay Basdogan,
• Abstract要約: 本研究は,アームマウント表面筋電図(sEMG)を用いた動的循環型pHRIにおける疲労を推定するためのデータ駆動型フレームワークを提案する。 主観固有の機械学習回帰モデルは、3つの周波数領域と1つの時間領域EMG特徴からサイクルの疲労(FCF)を予測し、畳み込みニューラルネットワーク(CNN)に対してベンチマークする。 全体として、機能ベースのMLとスペクトログラムベースのDLの両方が繰り返しpHRI中に残される作業容量を推定できることを示した。
• 参考スコア（独自算出の注目度）: 0.19249287163937967
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Assessing human muscle fatigue is critical for optimizing performance and safety in physical human-robot interaction(pHRI). This work presents a data-driven framework to estimate fatigue in dynamic, cyclic pHRI using arm-mounted surface electromyography(sEMG). Subject-specific machine-learning regression models(Random Forest, XGBoost, and Linear Regression predict the fraction of cycles to fatigue(FCF) from three frequency-domain and one time-domain EMG features, and are benchmarked against a convolutional neural network(CNN) that ingests spectrograms of filtered EMG. Framing fatigue estimation as regression (rather than classification) captures continuous progression toward fatigue, supporting earlier detection, timely intervention, and adaptive robot control. In experiments with ten participants, a collaborative robot under admittance control guided repetitive lateral (left-right) end-effector motions until muscular fatigue. Average FCF RMSE across participants was 20.8+/-4.3% for the CNN, 23.3+/-3.8% for Random Forest, 24.8+/-4.5% for XGBoost, and 26.9+/-6.1% for Linear Regression. To probe cross-task generalization, one participant additionally performed unseen vertical (up-down) and circular repetitions; models trained only on lateral data were tested directly and largely retained accuracy, indicating robustness to changes in movement direction, arm kinematics, and muscle recruitment, while Linear Regression deteriorated. Overall, the study shows that both feature-based ML and spectrogram-based DL can estimate remaining work capacity during repetitive pHRI, with the CNN delivering the lowest error and the tree-based models close behind. The reported transfer to new motion patterns suggests potential for practical fatigue monitoring without retraining for every task, improving operator protection and enabling fatigue-aware shared autonomy, for safer fatigue-adaptive pHRI control.
• Abstract（参考訳）: ヒトの筋肉疲労を評価することは、物理的ヒト-ロボット相互作用(pHRI)の性能と安全性を最適化するために重要である。 本研究は、アームマウント表面筋電図(sEMG)を用いて、動的で周期的なpHRIの疲労を推定するためのデータ駆動型フレームワークを提案する。 対象固有の機械学習回帰モデル(Random Forest, XGBoost, Linear Regression)は、3つの周波数領域と1つの時間領域のEMG特徴から、周波数領域と1つの時間領域からの疲労(FCF)へのサイクルの分画を予測し、フィルタされたEMGのスペクトログラムを取り込み、畳み込みニューラルネットワーク(CNN)に対してベンチマークする。 回帰(分類ではなく)としてのフラミング疲労推定は、疲労に対する継続的な進行を捉え、早期検出、時間的介入、適応型ロボット制御をサポートする。 10人の被験者による実験で、アクセタンスコントロール下の協調ロボットは、筋疲労まで反復的な側方(左右)端エフェクター運動を誘導した。 参加者の平均FCF RMSEはCNNで20.8+/-4.3%、ランダムフォレストで23.3+/-3.8%、XGBoostで24.8+/-4.5%、線形回帰で26.9+/-6.1%であった。 クロスタスクの一般化を調査するため,一方の参加者は垂直(上向き)と円周を繰り返し,一方の参加者は横方向のデータのみに基づいて訓練されたモデルを直接検査し,運動方向,腕運動,筋リクルーションの変化に対する堅牢性を示すとともに,線形回帰は低下した。 全体として、機能ベースのMLとスペクトログラムベースのDLの両方が、繰り返しpHRI中に残される作業容量を推定できることを示した。 報告された新たな動作パターンへの移動は、すべてのタスクをリトレーニングせずに実践的な疲労監視が可能であり、オペレータ保護を改善し、疲労適応型pHRI制御をより安全にするための疲労対応共有自律性を実現することを示唆している。

関連論文リスト

• A data-physics hybrid generative model for patient-specific post-stroke motor rehabilitation using wearable sensor data [17.28369129744061]
  我々は,脳卒中生存者の神経筋制御を再構築するデータ物理ハイブリッド生成フレームワークを開発した。 11名の脳卒中生存者において, パーソナライズされたコントローラは, 関節角と終端の忠実さを改善しつつ, 慣性歩行パターンを保存した。
  論文  参考訳（メタデータ） (2025-12-16T11:55:11Z)
• Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
  術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-12-12T08:02:37Z)
• Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks [0.9939775124582318]
  単一手首搭載慣性測定器(IMU)のみを用いた抵抗運動時の近距離損傷状態のリアルタイムフィードバックシステムを提案する。 ResNetベースのモデルセグメントは、6軸IMUデータからリアルタイムで繰り返し、分類モデルは、ほぼ障害状態に対応する運動窓を特定する。 Raspberry Pi 5への展開は平均で112ms、iPhone 16では23.5msとなり、エッジ計算の可能性が確認された。
  論文  参考訳（メタデータ） (2025-12-05T01:49:47Z)
• Evaluating the Performance of Deep Learning Models in Whole-body Dynamic 3D Posture Prediction During Load-reaching Activities [0.0]
  2つの時系列モデルは、双方向長短期メモリ(BLSTM)とトランスフォーマーアーキテクチャを用いて訓練された。 その結果, 新しいコスト関数により, アームモデルと脚モデルでそれぞれ約8%, 21%の予測誤差が減少した。
  論文  参考訳（メタデータ） (2025-11-25T18:40:48Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• 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)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。