論文の概要: Estimation of Motor Unit Parameters from Surface Electromyograms using an Informed Autoencoder
- arxiv url: http://arxiv.org/abs/2605.07458v1
- Date: Fri, 08 May 2026 09:05:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.936486
- Title: Estimation of Motor Unit Parameters from Surface Electromyograms using an Informed Autoencoder
- Title（参考訳）: インフォームドオートエンコーダを用いた表面筋電図からの運動単位パラメータの推定
- Authors: Kaja Balzereit, Malte Mechtenberg, Axel Schneider,
- Abstract要約: 運動単位パラメーターは、運動と力の予測に使用される神経力学モデルの忠実度を改善するためのポテンシャルを持つ。
運動単位パラメータの推定に関する既存の研究は、主にホワイトボックスモデリングに依存している。
本研究は、皮膚表面で非侵襲的に測定されたEMG記録から、複数の被検体特異的運動単位パラメータの同時推定を目標とする。
- 参考スコア（独自算出の注目度）: 0.22940141855172033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motor unit parameters such as the innervation zone centre or the conduction velocity of the electrical potential harbour the potential to improve the fidelity of neuromechanical models used for movement and force prediction. Determining these parameters in a non-invasive way is challenging, as they are subject-specific and may vary with muscle contraction. Existing work on the estimation of motor unit parameters mainly relies on white-box modelling and therefore requires substantial manual modelling effort. This work targets the simultaneous estimation of multiple subject-specific motor unit parameters from electromyography (EMG) recordings measured non-invasively at the skin surface. This results in an inverse problem with a nonlinear loss function. To address this problem, an informed autoencoder is developed. This autoencoder reconstructs the surface EMG recordings while learning the parameters in its latent space and adhering to physical laws that relate the parameters to the EMG signals. In experiments on synthetic data, innervation zone centres are estimated with a mean absolute error of 2.5989 $\mathrm{mm}$, and conduction velocities of the electric potential are estimated with a mean absolute error of 0.1697 $\mathrm{m}\mathrm{s}^{-1}$. These results demonstrate the plausibility of this novel approach, which enables the simultaneous estimation of several motor unit parameters while reducing manual modelling effort through the integration of data-driven machine learning.
- Abstract（参考訳）: ニューナベーションゾーン中心や電位の伝導速度のような運動単位パラメータは、運動と力の予測に使用される神経力学モデルの忠実性を改善する可能性がある。
非侵襲的な方法でこれらのパラメータを決定することは、被験者固有のものであり、筋肉の収縮によって異なる可能性があるため、困難である。
運動単位パラメータの推定に関する既存の研究は主にホワイトボックスのモデリングに依存しており、それ故に手作業によるモデリングがかなり必要である。
本研究は、皮膚表面で非侵襲的に測定されたEMG記録から、複数の被験者特異的運動単位パラメータの同時推定を目標とする。
これにより非線形損失関数を持つ逆問題が発生する。
この問題に対処するため、インフォームドオートエンコーダを開発する。
このオートエンコーダは、被写体空間のパラメータを学習しながら表面EMG記録を再構成し、そのパラメータをEMG信号に関連付ける物理法則に固執する。
合成データを用いた実験では、内皮ゾーン中心は平均絶対誤差2.5989$\mathrm{mm}$で推定され、電気ポテンシャルの伝導速度は平均絶対誤差0.1697$\mathrm{m}\mathrm{s}^{-1}$で推定される。
これらの結果は、データ駆動機械学習の統合による手動モデリングの労力を削減しつつ、複数の運動単位パラメータの同時推定を可能にする、この新しい手法の妥当性を示すものである。
関連論文リスト
- Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。
本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。
予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
論文 参考訳（メタデータ） (2024-12-20T10:16:18Z) - Designing DNNs for a trade-off between robustness and processing performance in embedded devices [1.474723404975345]
機械学習ベースの組み込みシステムは、ソフトエラーに対して堅牢である必要がある。
本稿では,摂動に対するモデルロバスト性を改善するために有界AFを用いた場合の適合性について検討する。
自律運転におけるシーン理解のためのハイパースペクトル画像のセマンティックセグメンテーションタスクの実行を目的としたエンコーダ・デコーダの完全畳み込みモデルの解析を行う。
論文 参考訳（メタデータ） (2024-12-04T19:34:33Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - Towards Convergence Rates for Parameter Estimation in Gaussian-gated
Mixture of Experts [40.24720443257405]
ガウスゲートMOEモデルにおける最大推定値(MLE)の収束解析を行う。
以上の結果から,MLEはガウスゲーティング関数の位置パラメータの2つの相補的な設定の下で異なる挙動を示すことが明らかとなった。
特に、これらの挙動は2つの異なる方程式系の可解性によって特徴づけられる。
論文 参考訳（メタデータ） (2023-05-12T16:02:19Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳（メタデータ） (2022-11-13T01:57:18Z) - 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) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
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。