The bionic neural network for external simulation of human locomotor system

要約

筋骨格 (MSK) モデリング技術を使用して推定された筋力と関節の運動学は、動きの質を説明する有用な指標を提供します。
モデルベースの計算 MSK モデルは、筋肉への神経駆動、筋肉のダイナミクス、身体と関節の運動学、および運動学の間の動的相互作用を解釈できます。
それでも、このような一連のソリューションは、特に複雑なモデリングにおいて、高い計算時間と筋肉動員の問題に悩まされます。
近年、柔軟性と適応性の利点により、データ駆動型の手法が有望な代替手段として浮上しています。
しかし、大量のラベル付き訓練データを取得することは容易ではありません。
この論文では、関節の動きと筋力を予測するための MSK モデリングに基づく物理学に基づいたディープラーニング手法を提案します。
MSK モデルは、識別される筋活性化ダイナミクスおよび筋収縮ダイナミクスの生理学的パラメーターを含む常微分方程式 (ODE) 損失関数としてニューラル ネットワークに埋め込まれます。
これらのパラメータはトレーニング プロセス中に自動的に推定され、MSK フォワード ダイナミクス モデルと組み合わせた筋力の予測をガイドします。
1 つのベンチマーク データセットと 6 人の健康な被験者から自己収集した 1 つのデータセットを含む 2 つのデータ グループに対する実験検証が実行されます。
この結果は、提案された深層学習手法が被験者固有の MSK 生理学的パラメーターを効果的に特定できること、およびトレーニングされた物理学に基づいた順動力学サロゲートにより正確な動作と筋力の予測が得られることを示しています。

要約(オリジナル)

Muscle forces and joint kinematics estimated with musculoskeletal (MSK) modeling techniques offer useful metrics describing movement quality. Model-based computational MSK models can interpret the dynamic interaction between the neural drive to muscles, muscle dynamics, body and joint kinematics, and kinetics. Still, such a set of solutions suffers from high computational time and muscle recruitment problems, especially in complex modeling. In recent years, data-driven methods have emerged as a promising alternative due to the benefits of flexibility and adaptability. However, a large amount of labeled training data is not easy to be acquired. This paper proposes a physics-informed deep learning method based on MSK modeling to predict joint motion and muscle forces. The MSK model is embedded into the neural network as an ordinary differential equation (ODE) loss function with physiological parameters of muscle activation dynamics and muscle contraction dynamics to be identified. These parameters are automatically estimated during the training process which guides the prediction of muscle forces combined with the MSK forward dynamics model. Experimental validations on two groups of data, including one benchmark dataset and one self-collected dataset from six healthy subjects, are performed. The results demonstrate that the proposed deep learning method can effectively identify subject-specific MSK physiological parameters and the trained physics-informed forward-dynamics surrogate yields accurate motion and muscle forces predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google