論文の概要: Pose2Muscle: Structured Spatio-Temporal Decoding for Discrete Muscle Activity Estimation from Human Pose

• arxiv url: http://arxiv.org/abs/2609.18336v1
• Date: Wed, 16 Sep 2026 08:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.723836
• Title: Pose2Muscle: Structured Spatio-Temporal Decoding for Discrete Muscle Activity Estimation from Human Pose
• Title（参考訳）: Pose2Muscle:構造化時空間デコードによるヒトポスからの筋活動の離散推定
• Abstract要約: 筋活動推定のためのポーズ駆動型フレームワークPose2Muscleを提案する。 Pose2Muscleは、連続したsEMG信号を直接回帰するのではなく、構造予測問題として筋肉推定を再構成する。 実験の結果、Pose2Muscleは代表検索とポーズベースのベースラインを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 8.23064561068641
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Muscle activity is fundamental to human movement, and understanding its patterns is critical for injury prevention and rehabilitation. Conventional muscle activity monitoring relies on specialized sensors such as surface electromyography, which limits its practicality for long-term real-world use. Existing studies suggest that muscle-related information can be inferred from human pose. However, the substantial gap between externally observable pose and internal muscle activation, limits the accuracy and generalization of current approaches. In this study, we propose Pose2Muscle, a pose-driven framework for discrete muscle activity estimation without requiring sEMG signals at inference time. Instead of directly regressing continuous sEMG signals, Pose2Muscle reformulates muscle estimation as a structured prediction problem over discrete muscle activity states, yielding a more stable and interpretable target space. The framework combines multi-scale spatio-temporal attention to capture motion patterns at complementary spatial and temporal scales with a directed acyclic graph-based decoder that maintains multiple candidate muscle-state hypotheses and performs structured trajectory inference over time. To support this task, we construct PoseEMG-43, a synchronized pose-sEMG dataset containing 2,992 movement instances from 43 daily-life actions performed by 14 participants. Experiments show that Pose2Muscle consistently outperforms representative retrieval- and pose-based baselines. It achieves an Adjacent-level Accuracy of 86.36% and a Pearson correlation coefficient of 0.8821 under the Random Split, and 63.97% and 0.6795, respectively, under the Subject-Level Split. These results demonstrate the feasibility of inferring structured muscle-state patterns from human pose and suggest the potential of Pose2Muscle for muscle-aware movement analysis when direct physiological sensing is impractical
• Abstract（参考訳）: 筋活動は人間の運動に基本的であり、そのパターンを理解することは傷害予防とリハビリテーションに不可欠である。 従来の筋活動モニタリングは、表面筋電図のような特殊なセンサーに依存しており、その実用性は長期の現実世界での使用に限られている。 既存の研究では、筋肉に関連する情報は人間のポーズから推測できることが示唆されている。 しかし、外見可能なポーズと内筋活性化の実質的なギャップは、現在のアプローチの正確さと一般化を制限している。 本研究では,ポーズ駆動型筋活動推定フレームワークPose2Muscleを提案する。 Pose2Muscle は連続した sEMG 信号を直接回帰するのではなく、筋推定を離散的な筋活動状態よりも構造化された予測問題として再構成し、より安定で解釈可能な標的空間を得る。 このフレームワークは、複数の候補筋状態仮説を維持し、時間とともに構造化された軌道推論を行う有向非環状グラフベースのデコーダと、相補的空間的および時間的スケールでの運動パターンを捉えるための多スケール時空間的注意を組み合わす。 この課題を支援するために,14人の参加者が実施した43の日常行動から,2,992の動作インスタンスを含む同期ポーズ-sEMGデータセットPoseEMG-43を構築した。 実験により、Pose2Muscleは代表検索とポーズベースのベースラインを一貫して上回っていることが示された。 ランダムスプリットでは86.36%、ピアソン相関係数は0.8821、サブジェクトレベルスプリットでは63.97%、0.6795となる。 これらの結果は、ヒトの姿勢から構造的筋状態パターンを推定できる可能性を示し、直接生理的センシングが不可能な場合の筋運動解析におけるPose2Muscleの可能性を示している。

関連論文リスト

• SOMA: From Surface Observations to Muscle Anatomy [55.23576061150391]
  RGBカメラを用いて得られた表面信号から生体時相筋の挙動を推定する人特有のモデルであるSOMAを提案する。 本手法は従来のシミュレーションの複雑さを伴わずに,解剖学的に基底付けられたアニメーションをいかに提供するかを示す。
  論文  参考訳（メタデータ） (2026-06-08T09:20:46Z)
• Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG [3.2286367508489495]
  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
  論文  参考訳（メタデータ） (2026-06-05T17:30:16Z)
• 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)
• 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)
• Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG [24.608475386117426]
  本稿では,2つの歩行サイクルにインスパイアされた学習戦略を統合し,膝関節の軌道予測の課題を軽減するモデルを提案する。 異なるネットワークエンティティを通して学習することにより、モデルは共通の歩行特徴とパーソナライズされた歩行特徴の両方をキャプチャする。 実験結果から, 平均根平均二乗誤差(RMSE)を3.03度(0.49度), 50ms前後で予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T02:23:58Z)
• Imposing Temporal Consistency on Deep Monocular Body Shape and Pose Estimation [67.23327074124855]
  本稿では,適合過程における時間的制約の統合に対するエレガントな解法を提案する。 我々は、顎ポーズ、表情、指ポーズを含む人物の形状と動きを表す一連の身体モデルのパラメーターを導出する。 本手法は,表情や手話を含む画像系列からリアルな3次元体モデルの導出を可能にする。
  論文  参考訳（メタデータ） (2022-02-07T11:11:55Z)
• From Motion to Muscle [0.0]
  筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。 このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
  論文  参考訳（メタデータ） (2022-01-27T13:30:17Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。