論文の概要: Towards Real-World Identification of Fatigued Muscle Groups via Musculoskeletal Simulation
- arxiv url: http://arxiv.org/abs/2605.26151v1
- Date: Sat, 23 May 2026 08:06:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.20051
- Title: Towards Real-World Identification of Fatigued Muscle Groups via Musculoskeletal Simulation
- Title（参考訳）: 筋骨格シミュレーションによる疲労筋群のリアルタイム同定に向けて
- Authors: Jenishkumar Chauhan, Samarth Brahmbhatt, Vineet Vashista,
- Abstract要約: 上肢筋群が疲労しているかを同定するアルゴリズムを提案する。
本アルゴリズムは,実世界の自由空間運動と模擬筋骨格モデルとの比較を行う。
実データを用いた実験結果から, 本手法は疲労の複数の筋群を確実に識別できることが示唆された。
- 参考スコア（独自算出の注目度）: 2.9093925940130876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contactless diagnosis of musculoskeletal disorders can potentially improve population health as well as robot behaviours in collaborative settings. However, current diagnosis methods require an in-person physical examination in which a trained physician senses, through contact, the force applied by various muscles. Simulation tools exist, but their use for diagnosis with real data is under-explored. In this paper, we propose an algorithm for identifying which upper-limb muscle group is fatigued. Our algorithm compares the realworld free-space motion of the subject with that of a simulated musculoskeletal model, and is therefore contactless: preventing the need for invasive sensing or in-person assessment. Our algorithm simulates various fatigue conditions using a physics-based musculoskeletal model and extracts diagnostic motion features from both real and simulated data, which are compared for diagnosis. Experimental results on real data demonstrate that the proposed method can reliably distinguish between multiple muscle-groups of fatigue. Additionally, through comprehensive performance comparisons, we show how recent advanced musculoskeletal simulators can be properly configured to address the sim-to-real gap in the context of the fatigue diagnosis task. Our approach can potentially spur further research in remote and automated diagnosis, significantly lowering the barrier to large-scale and early detection.
- Abstract（参考訳）: 筋肉骨格障害の接触のない診断は、協調的な環境でのロボットの行動と同様に、人口の健康を向上させる可能性がある。
しかし、現在の診断法では、訓練された医師が接触を通じて様々な筋肉に作用する力を感知する身体的検査が必要である。
シミュレーションツールは存在するが、実際のデータによる診断には不十分である。
本稿では,上肢筋群が疲労しているかを特定するアルゴリズムを提案する。
本アルゴリズムは,被験者の現実的な自由空間運動と模擬筋骨格モデルの運動とを比較した。
本アルゴリズムは,物理に基づく筋骨格モデルを用いて種々の疲労条件をシミュレートし,実データと模擬データの両方から診断運動特徴を抽出し,診断に比較する。
実データを用いた実験結果から, 本手法は疲労の複数の筋群を確実に識別できることが示唆された。
さらに,最近の筋骨格シミュレータの総合的な性能比較により,疲労診断タスクの文脈におけるシム・トゥ・リアルギャップに対処するために,最新の筋骨格シミュレータを適切に設定できることを示す。
我々のアプローチは、遠隔および自動診断におけるさらなる研究を刺激し、大規模および早期発見の障壁を著しく低下させる可能性がある。
関連論文リスト
- Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale [38.15316304510102]
muscleMimicは、生理学的に現実的な筋肉駆動モデルを用いたモーション模倣学習のためのオープンソースのフレームワークである。
筋骨格シミュレーションに計算障壁とデータバリアを下げることにより、マッスルミミックは様々な動的運動にまたがる系統的なモデル検証を可能にする。
論文 参考訳（メタデータ） (2026-03-26T15:18:37Z) - 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) - Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters [5.071602765737453]
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。
論文 参考訳（メタデータ） (2025-08-18T18:43:43Z) - Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators [5.217925404425509]
本稿では,実際の医師と患者との会話から対話戦略を抽出し,患者シミュレータのトレーニングを指導する。
本シミュレータは, 動的対話戦略を用いて, 人為性が高く, 幻覚率も低いことを示す。
論文 参考訳（メタデータ） (2025-01-16T11:41:14Z) - 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) - Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。
227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。
ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
論文 参考訳（メタデータ） (2024-10-31T18:28:53Z) - 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) - 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) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳（メタデータ） (2022-06-02T07:57:17Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic
Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。
我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。
予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-03-14T00:16:08Z)
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。