日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

筋電位/トルク推定arXiv:2601.16712

sEMGを用いた関節トルク推定における軽量ニューラルネットワークのための特徴抽出パイプライン

A Feature Extraction Pipeline for Enhancing Lightweight Neural Networks in sEMG-based Joint Torque Estimation

シェア:XThreadsFacebookLINEはてブBluesky

8チャンネルの表面筋電位から肘と肩の関節トルクを予測する特徴抽出パイプラインを提案し、単純なMLPでも時間依存性を考慮したTCNと同等の性能を達成できることを示した。

詳しい要約

1. どんなもの?

- 8-channel sEMG信号から肘と肩の関節トルクを予測する特徴抽出パイプラインを提案。 - 軽量ニューラルネットワーク(MLPとTCN)に統合し、予備評価を実施。 - ロボット支援リハビリテーションにおける個人適応型アシストを目指す。

2. 先行研究と比べてどこがすごい?

- 従来は時系列依存性を明示的に扱うTCNなどのネットワークが用いられてきた。 - 提案パイプラインにより、単純なMLPがTCNと同等の性能を達成。 - 特に訓練データが限られる患者ケアのシナリオで有効。

3. 技術・手法の肝は?

- 8-channel sEMG信号から特徴抽出を行うパイプラインを構築。 - 抽出特徴をMLPとTCNに入力し、肘・肩トルクを予測。 - 参照トルクは静的平衡仮定の下、重心運動学から推定。

4. どうやって有効だと検証した?

- 単一被験者が3つの負荷条件(0 kg, 1.10 kg, 1.85 kg)で肘・肩運動を実施。 - 3台のモーションキャプチャカメラでデータ収集。 - オフライン分析でMLPの平均RMSEを評価(5シード)。肘: 0.963 N m、前肩: 1.403 N m、側肩: 1.434 N m。TCNと同等の性能を確認。

5. 議論はある?

- 提案パイプラインが軽量MLPの性能を向上させ、TCNに匹敵することを示す。 - 訓練データが限られる状況での有用性が示唆される。 - 単一被験者での予備評価であり、一般化には更なる検証が必要。

6. 次に読むべき論文は?

- 要旨からは不明(参照/比較されている研究はTCNのみ)。 - 同分野の定番として、sEMGベースのトルク推定に関する深層学習手法(例: LSTM, CNN)や、ロボットリハビリテーションにおける適応制御の研究が挙げられる。

※ 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: Kartik Chari, Raid Dokhan, Anas Homsi, Niklas Kueper, Elsa Andrea Kirchner

分類: cs.RO, cs.LG

原文アブストラクト

Robot-assisted rehabilitation offers an effective approach, wherein exoskeletons adapt to users' needs and provide personalized assistance. However, to deliver such assistance, accurate prediction of the user's joint torques is essential. In this work, we propose a feature extraction pipeline using 8-channel surface electromyography (sEMG) signals to predict elbow and shoulder joint torques. For preliminary evaluation, this pipeline was integrated into two neural network models: the Multilayer Perceptron (MLP) and the Temporal Convolutional Network (TCN). Data were collected from a single subject performing elbow and shoulder movements under three load conditions (0 kg, 1.10 kg, and 1.85 kg) using three motion-capture cameras. Reference torques were estimated from center-of-mass kinematics under the assumption of static equilibrium. Our offline analyses showed that, with our feature extraction pipeline, MLP model achieved mean RMSE of 0.963 N m, 1.403 N m, and 1.434 N m (over five seeds) for elbow, front-shoulder, and side-shoulder joints, respectively, which were comparable to the TCN performance. These results demonstrate that the proposed feature extraction pipeline enables a simple MLP to achieve performance comparable to that of a network designed explicitly for temporal dependencies. This finding is particularly relevant for applications with limited training data, a common scenario patient care.

  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. 3GXO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
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI