論文の概要: Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG
- arxiv url: http://arxiv.org/abs/2606.07476v1
- Date: Fri, 05 Jun 2026 17:30:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.870002
- Title: Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG
- Title（参考訳）: 部分観察sEMGによる多自由度関節キネマティクス推定のための生理学的拘束型筋骨格神経回路網
- Authors: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li,
- Abstract要約: マルチDoF関節角度を推定する新しい筋骨格神経ネットワーク(MSK-NN)を提案する。
MSK-NNはCNNベースの筋活動推定器と組み込みMSKフォワードダイナミックスモジュールから構成される。
CNN, Bi-LSTM, CNN-LSTM, PETベースラインと比較して, MSK-NNは低正規化根平均二乗誤差(NRMSE)と高判定係数(R2)を達成する
- 参考スコア（独自算出の注目度）: 3.2286367508489495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates multi-degrees of freedom (DoF) joint kinematics estimation under partially observed surface electromyography (sEMG), where only a subset of task-relevant muscles can be measured due to anatomical inaccessibility or sensor constraints. A novel musculoskeletal neural network (MSK-NN) is proposed to estimate multi-DoF joint angles while simultaneously inferring activations for both measured and unmeasured muscles. MSK-NN consists of a CNN-based muscle activation estimator and an embedded MSK forward dynamics module, forming a fully differentiable architecture. Unlike existing hybrid neural frameworks that require additional biomechanical labels (e.g., muscle-tendon forces, joint torques), MSK-NN is trained without direct supervision of internal biomechanical variables. A composite physics-physiology loss is designed by incorporating a joint kinematics loss, a data-driven muscle synergy loss, and an anatomy-guided trend loss. The proposed method is evaluated on two-DoF wrist kinematics estimation across three rhythmic motions with unconstrained speed and amplitude, and one random motion. Compared with CNN, Bi-LSTM, CNN-LSTM, and PET baselines, MSK-NN achieves lower normalized root mean square error (NRMSE) and higher coefficient of determination (R2), especially for the random motion. More importantly, the optimized MSK parameters remain within physiological limits, and the estimated activation of an input-excluded muscle exhibits strong temporal agreement with its recorded sEMG envelope, demonstrating the capability of musculoskeletal (MSK)-NN to recover physiologically plausible activations.
- Abstract（参考訳）: 本研究では, 部分観察表面筋電図(sEMG)による多自由度関節キネマティクス(DoF)推定について検討した。
筋骨格神経ネットワーク (MSK-NN) は, 測定された筋と計測されていない筋の活性化を同時に推定しながら, マルチDoF関節角度を推定するために提案されている。
MSK-NNは、CNNベースの筋活動推定器と組み込みMSKフォワードダイナミックスモジュールから構成され、完全に微分可能なアーキテクチャを形成する。
追加のバイオメカニカルラベル(例えば筋腱力、関節トルク)を必要とする既存のハイブリッドニューラルネットワークとは異なり、MSK-NNは内部の生体メカニカル変数を直接監督せずに訓練される。
関節キネマティックス・ロス、データ駆動型筋シナジー・ロス、解剖誘導型トレンド・ロスを組み込んだ複合物理・生理的損失を設計する。
提案手法は,非拘束速度と振幅の3つのリズミカルな動きと1つのランダムな動きの2自由度手首運動量推定に基づいて評価する。
CNN、Bi-LSTM、CNN-LSTM、PETベースラインと比較して、MSK-NNは、特にランダムな動きに対して、低い正規化根平均二乗誤差(NRMSE)と高い決定係数(R2)を達成する。
さらに重要なことは、最適化されたMSKパラメータは生理的限界内に留まり、入力された筋肉の活性化は記録されたsEMGエンベロープと強い時間的一致を示し、生理的に妥当な活性化を回復する筋骨格(MSK)-NNの能力を示す。
関連論文リスト
- A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
論文 参考訳（メタデータ） (2026-05-29T07:26:35Z) - MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。
これは生理的に不確実な分岐と誤分類の血管木につながる。
バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
論文 参考訳（メタデータ） (2026-05-25T02:32:29Z) - 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) - 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) - 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) - 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) - A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle
Force and Joint Kinematics [4.878073267556235]
表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。
ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。
本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
論文 参考訳（メタデータ） (2023-07-08T23:01:12Z) - 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) - Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of
Articulated Motion [48.52403516006036]
本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。
この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。
いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
論文 参考訳（メタデータ） (2022-08-10T15:39:20Z) - Mapping Motor Cortex Stimulation to Muscle Responses: A Deep Neural
Network Modeling Approach [1.0118253437732934]
対応する脳刺激から筋反応を確実にモデル化できるディープニューラルネットワーク(DNN)は、協調運動制御の知識を増大させる可能性がある。
本研究では,M2M-Netの最適性能に対して,最小二乗誤差を持つモデルを提案する。
論文 参考訳（メタデータ） (2020-02-14T21:24:42Z)
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。