Conditional Generative Models for Simulation of EMG During Naturalistic Movements

要約

筋電図 (EMG) 信号の数値モデルは、人間の神経生理学の基本的な理解に多大な貢献をしており、運動神経科学とヒューマン マシン インターフェイスの開発の中心的な柱であり続けています。
ただし、有限要素法に基づく最新の生物物理シミュレーションは精度が高い一方で、計算コストが非常に高いため、一般に等尺性で収縮する手足などの静的システムのモデル化に限定されています。
この問題の解決策として、高度な数値モデルの出力を模倣するように条件付き生成モデルをトレーニングする転移学習アプローチを提案します。
この目的を達成するために、我々は、さまざまな体積導体パラメーターの下で運動ユニット活性化電位波形を生成するために敵対的に訓練された条件付き生成ニューラル ネットワークである BioMime を紹介します。
我々は、このようなモデルが、はるかに少数の数値モデルの出力間を高精度で予測的に補間する能力を実証します。
その結果、計算負荷が大幅に軽減され、真にダイナミックで自然な動きの際のEMG信号の迅速なシミュレーションが可能になります。

要約(オリジナル)

Numerical models of electromyographic (EMG) signals have provided a huge contribution to our fundamental understanding of human neurophysiology and remain a central pillar of motor neuroscience and the development of human-machine interfaces. However, whilst modern biophysical simulations based on finite element methods are highly accurate, they are extremely computationally expensive and thus are generally limited to modelling static systems such as isometrically contracting limbs. As a solution to this problem, we propose a transfer learning approach, in which a conditional generative model is trained to mimic the output of an advanced numerical model. To this end, we present BioMime, a conditional generative neural network trained adversarially to generate motor unit activation potential waveforms under a wide variety of volume conductor parameters. We demonstrate the ability of such a model to predictively interpolate between a much smaller number of numerical model’s outputs with a high accuracy. Consequently, the computational load is dramatically reduced, which allows the rapid simulation of EMG signals during truly dynamic and naturalistic movements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google