Learning Realistic Joint Space Boundaries for Range of Motion Analysis of Healthy and Impaired Human Arms

要約

解剖学的制約を満たす現実的な人間の運動学モデルは、人間とロボットの相互作用、生体力学、ロボット支援リハビリテーションに不可欠です。
しかし、人間の腕の動きは関節の制限、関節間および関節内の依存関係、自己衝突、個人の能力、表現が難しい筋肉や神経学的制約によって制約されるため、現実的な関節制約をモデル化することは困難です。
したがって、医師や研究者は単純なボックス制約に依存し、重要な解剖学的要素を無視してきました。
この論文では、モーション キャプチャ データから現実的な解剖学的に制約された上肢可動域 (RoM) 境界を学習するデータ駆動型の方法を提案します。
これは、効率的なハイパーパラメータ調整スキームを使用して、1 クラスのサポート ベクター マシンを上肢関節空間探索動作のデータセットに適合させることによって実現されます。
私たちのアプローチは、有効な RoM 学習に焦点を当てた同様の研究よりも優れています。
さらに、我々は、健康な腕と障害のある腕を比較する際に、能力/障害の定量的評価を提供する障害指数 (II) 指標を提案します。
私たちは、片麻痺や脳卒中患者と同様のさまざまな障害レベルを模倣するために身体的に制約のある健康な被験者について指標を検証します。

要約(オリジナル)

A realistic human kinematic model that satisfies anatomical constraints is essential for human-robot interaction, biomechanics and robot-assisted rehabilitation. Modeling realistic joint constraints, however, is challenging as human arm motion is constrained by joint limits, inter- and intra-joint dependencies, self-collisions, individual capabilities and muscular or neurological constraints which are difficult to represent. Hence, physicians and researchers have relied on simple box-constraints, ignoring important anatomical factors. In this paper, we propose a data-driven method to learn realistic anatomically constrained upper-limb range of motion (RoM) boundaries from motion capture data. This is achieved by fitting a one-class support vector machine to a dataset of upper-limb joint space exploration motions with an efficient hyper-parameter tuning scheme. Our approach outperforms similar works focused on valid RoM learning. Further, we propose an impairment index (II) metric that offers a quantitative assessment of capability/impairment when comparing healthy and impaired arms. We validate the metric on healthy subjects physically constrained to emulate hemiplegia and different disability levels as stroke patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google