Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG

要約

下肢の動作意図を予測することは、外骨格ロボットや義肢を制御するために不可欠です。
表面筋電図（sEMG）は、実際に動作する前に動作意図を事前に予測できるため、近年ますます注目を集めています。
しかし、人間の関節軌道の推定性能は、被験者間および被験者内のばらつきのため、依然として困難な問題が残っています。
前者は生理学的差異（身長や体重など）や個人の好みの歩行パターンに関連していますが、後者は主に不規則で歩行とは無関係な筋肉の活動によって引き起こされます。
この論文では、人間の膝関節の軌道を予測する際の課題を軽減するために、2 つの歩行サイクルにヒントを得た学習戦略を統合したモデルを提案します。
最初の戦略は、膝関節角度を動作パターンと振幅に分離することであり、前者は低い変動を示し、後者は個人間で高い変動を示します。
個別のネットワーク エンティティを通じて学習することにより、モデルは共通の歩行特徴と個人化された歩行特徴の両方を取得することができます。
2 番目では、筋肉主​​要な活性化マスクが長時間の歩行の歩行サイクルから抽出されます。
これらのマスクは、生の sEMG から歩行に関係のないコンポーネントをフィルタリングして除去し、より多くの歩行関連の特徴を捕捉するための補助的なガイダンスを提供するために使用されます。
実験結果は、私たちのモデルが 3.03(0.49) 度の平均二乗平均平方根誤差 (RMSE) で 50 ミリ秒前に膝角度を予測できることを示しています。
私たちの知る限り、これはこれまでに報告されている関連文献の中で最高のパフォーマンスであり、RMSE が少なくとも 9.5% 減少しています。

要約(オリジナル)

Predicting lower limb motion intent is vital for controlling exoskeleton robots and prosthetic limbs. Surface electromyography (sEMG) attracts increasing attention in recent years as it enables ahead-of-time prediction of motion intentions before actual movement. However, the estimation performance of human joint trajectory remains a challenging problem due to the inter- and intra-subject variations. The former is related to physiological differences (such as height and weight) and preferred walking patterns of individuals, while the latter is mainly caused by irregular and gait-irrelevant muscle activity. This paper proposes a model integrating two gait cycle-inspired learning strategies to mitigate the challenge for predicting human knee joint trajectory. The first strategy is to decouple knee joint angles into motion patterns and amplitudes former exhibit low variability while latter show high variability among individuals. By learning through separate network entities, the model manages to capture both the common and personalized gait features. In the second, muscle principal activation masks are extracted from gait cycles in a prolonged walk. These masks are used to filter out components unrelated to walking from raw sEMG and provide auxiliary guidance to capture more gait-related features. Experimental results indicate that our model could predict knee angles with the average root mean square error (RMSE) of 3.03(0.49) degrees and 50ms ahead of time. To our knowledge this is the best performance in relevant literatures that has been reported, with reduced RMSE by at least 9.5%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google