KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture

要約

高品質の運動分析へのより広範なアクセスは、運動障害のより詳細な特性評価と介入に対する応答のより詳細な特性評価、さらには新しい神経条件の早期検出や転倒リスクを可能にするなど、運動科学とリハビリテーションに大きな利益をもたらす可能性があります。
新興技術は、生体力学的モデルで運動学を捕らえることを容易にしている一方で、または関節の角度が時間の経過とともに変化する方法を推測し、地上反力、関節のトルク、さらには筋肉の活性化を含むこれらの動きを引き起こす根本的な物理学を推測しています。
ここでは、健常者や障害のある個人からの動きの大規模なデータセットから生体力学モデルに適用された模倣学習が、これらの逆ダイナミクスを計算することを学ぶことができるかどうかを調査します。
人間のポーズ推定における模倣学習は近年大きな関心を持っていますが、いくつかの方法での仕事の違いがあります。コンピュータービジョンに採用されたモデルではなく、正確な生体力学的モデルを使用することに焦点を当て、障害のある動きのある参加者を含むデータセットでテストしました。
神経筋骨格モデル。
私たちの模倣学習ポリシーであるKintwinは、補助装置やセラピストの支援を含む幅広い動きの運動学を正確に複製できること、および関節のトルクと筋肉の活性化における臨床的に意味のある違いを推測できることを示しています。
私たちの研究は、臨床診療で高品質の動き分析を可能にするために模倣学習を使用する可能性を示しています。

要約(オリジナル)

Broader access to high-quality movement analysis could greatly benefit movement science and rehabilitation, such as allowing more detailed characterization of movement impairments and responses to interventions, or even enabling early detection of new neurological conditions or fall risk. While emerging technologies are making it easier to capture kinematics with biomechanical models, or how joint angles change over time, inferring the underlying physics that give rise to these movements, including ground reaction forces, joint torques, or even muscle activations, is still challenging. Here we explore whether imitation learning applied to a biomechanical model from a large dataset of movements from able-bodied and impaired individuals can learn to compute these inverse dynamics. Although imitation learning in human pose estimation has seen great interest in recent years, our work differences in several ways: we focus on using an accurate biomechanical model instead of models adopted for computer vision, we test it on a dataset that contains participants with impaired movements, we reported detailed tracking metrics relevant for the clinical measurement of movement including joint angles and ground contact events, and finally we apply imitation learning to a muscle-driven neuromusculoskeletal model. We show that our imitation learning policy, KinTwin, can accurately replicate the kinematics of a wide range of movements, including those with assistive devices or therapist assistance, and that it can infer clinically meaningful differences in joint torques and muscle activations. Our work demonstrates the potential for using imitation learning to enable high-quality movement analysis in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google