日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

生体信号・リハビリarXiv:2510.13443

注意機構付きCNN-LSTMと転移学習によるEMG・運動学的データからのリアルタイム膝関節角度予測

Real-Time Knee Angle Prediction Using EMG and Kinematic Data with an Attention-Based CNN-LSTM Network and Transfer Learning Across Multiple Datasets

シェア:XThreadsFacebookLINEはてブBluesky

EMGと膝角度の履歴を入力とする軽量な注意機構付きCNN-LSTMを開発し、転移学習で複数データセットや外骨格に適応させて膝関節角度を高精度にリアルタイム予測した研究。

詳しい要約

1. どんなもの?

- EMG と kinematic データから膝関節角度を予測する研究 - attention-based CNN-LSTM による軽量モデルを提案 - transfer learning で複数データセット間に適用 - 対象データセットは Georgia Tech、UCI、SMLE の3つ - 新規被験者では少数の gait cycle のみで適応可能な枠組み

2. 先行研究と比べてどこがすごい?

- 従来の ML/DL による EMG からの関節角度予測の課題を意識 - 課題として real-time 適用性の低さ、非代表的な test 条件、大規模データ要求を挙げる - 提案法は少数の gait cycle で新規被験者に適応する transfer-learning framework - 軽量な attention-based CNN-LSTM により実時間性と汎化の両立を狙う - 具体的な先行研究名との定量的比較は要旨からは不明

3. 技術・手法の肝は?

- attention-based CNN-LSTM の軽量モデルを構築 - Georgia Tech データセットで pre-train し、UCI と SMLE へ transfer - 入力は膝運動に関連する4チャネルの EMG を使用 - 履歴の knee angle を加えることで予測精度を改善 - SMLE exoskeleton では EMG、kinematic、interaction force を入力に追加 - one-step と 50-step の予測を評価

4. どうやって有効だと検証した?

- 3データセットで NMAE により評価 - EMG のみ・abnormal subjects で one-step 6.8%、50-step 13.7% - 履歴 knee angle 追加時、normal subjects で 3.1% と 3.5% - abnormal subjects では 2.8% と 7.5% - SMLE exoskeleton 適応時は one-step 1.09%、50-step 3.1% - 短期・長期の rehabilitation シナリオで頑健性と汎化を示すと報告

5. 議論はある?

- 少数 gait cycle での新規被験者適応と複数データセット間 transfer の有効性を主張 - short-term および long-term 予測の両方で頑健な性能を報告 - real-time 適用性への言及はあるが、具体的な latency や実装条件は要旨からは不明 - abnormal subjects の 50-step 予測は normal より誤差が大きく、長期予測の課題が残る - データセット間の被験者差や exoskeleton 装着条件の影響に関する詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- Georgia Tech データセットを用いた EMG ベース膝角度予測の先行研究 - UCI データセットを用いた筋電位・関節角度予測研究 - SMLE exoskeleton に関する研究 - attention-based CNN-LSTM を用いた時系列予測研究 - EMG を用いた transfer learning による被験者間適応の研究 - 要旨で直接参照される個別論文名は不明のため、上記関連手法・データセットを起点に調査する

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mojtaba Mollahossein, Gholamreza Vossoughi, Mohammad Hossein Rohban

分類: cs.RO

原文アブストラクト

Electromyography (EMG) signals are widely used for predicting body joint angles through machine learning (ML) and deep learning (DL) methods. However, these approaches often face challenges such as limited real-time applicability, non-representative test conditions, and the need for large datasets to achieve optimal performance. This paper presents a transfer-learning framework for knee joint angle prediction that requires only a few gait cycles from new subjects. Three datasets - Georgia Tech, the University of California Irvine (UCI), and the Sharif Mechatronic Lab Exoskeleton (SMLE) - containing four EMG channels relevant to knee motion were utilized. A lightweight attention-based CNN-LSTM model was developed and pre-trained on the Georgia Tech dataset, then transferred to the UCI and SMLE datasets. The proposed model achieved Normalized Mean Absolute Errors (NMAE) of 6.8 percent and 13.7 percent for one-step and 50-step predictions on abnormal subjects using EMG inputs alone. Incorporating historical knee angles reduced the NMAE to 3.1 percent and 3.5 percent for normal subjects, and to 2.8 percent and 7.5 percent for abnormal subjects. When further adapted to the SMLE exoskeleton with EMG, kinematic, and interaction force inputs, the model achieved 1.09 percent and 3.1 percent NMAE for one- and 50-step predictions, respectively. These results demonstrate robust performance and strong generalization for both short- and long-term rehabilitation scenarios.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3Google DeepMind、ロボット向けAIを発表新製品・発表
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI