Enhancing Joint Motion Prediction for Individuals with Limb Loss Through Model Reprogramming

要約

四肢の喪失による運動障害は、世界中の何百万人もの人々が直面している重大な課題です。
人工装具などの高度な支援技術の開発は、切断患者の生活の質を大幅に改善する可能性を秘めています。
このような技術の設計における重要な要素は、欠損肢の基準関節動作を正確に予測することです。
しかし、この作業は、健常者からの大量のデータとは対照的に、切断患者から入手可能な関節運動データが不足しているために妨げられています。
これを克服するために、深層学習の再プログラミング特性を利用して、モデルのパラメーターを変更せずに、十分にトレーニングされたモデルを新しい目標に再利用します。
データレベルの操作だけで、もともと健常者向けに設計されたモデルを、切断者の関節の動きを予測するために適応させます。
この研究の結果は、支援技術と切断者の移動の進歩に重要な意味を持ちます。

要約(オリジナル)

Mobility impairment caused by limb loss is a significant challenge faced by millions of individuals worldwide. The development of advanced assistive technologies, such as prosthetic devices, has the potential to greatly improve the quality of life for amputee patients. A critical component in the design of such technologies is the accurate prediction of reference joint motion for the missing limb. However, this task is hindered by the scarcity of joint motion data available for amputee patients, in contrast to the substantial quantity of data from able-bodied subjects. To overcome this, we leverage deep learning’s reprogramming property to repurpose well-trained models for a new goal without altering the model parameters. With only data-level manipulation, we adapt models originally designed for able-bodied people to forecast joint motion in amputees. The findings in this study have significant implications for advancing assistive tech and amputee mobility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google