日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

筋電図/関節運動推定arXiv:2606.07476

生理学的制約を組み込んだ筋骨格ニューラルネットワークによる部分観測sEMGからの多自由度関節運動推定

Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG

シェア:XThreadsFacebookLINEはてブBluesky

計測できない筋肉を含む部分的な筋電図から多自由度の関節角度を推定するため、CNNと筋骨格前方動力学を組み合わせた完全微分可能なニューラルネットワークを提案し、生理学的制約を考慮した損失関数で学習する。

詳しい要約

1. どんなもの?

- 本論文は、部分的に観測された表面筋電図(sEMG)から多自由度(DoF)関節キネマティクスを推定する問題を扱う。 - 提案手法は、筋骨格ニューラルネットワーク(MSK-NN)と呼ばれ、CNNベースの筋活性推定器と埋め込み型筋骨格フォワードダイナミクスモジュールから構成される。 - 測定された筋と測定されていない筋の両方の活性を同時に推定しながら、多自由度関節角度を推定する。 - 完全に微分可能なアーキテクチャであり、内部生体力学変数の直接的な教師なしで訓練される。

2. 先行研究と比べてどこがすごい?

- 既存のハイブリッドニューラルフレームワークは、筋腱力や関節トルクなどの追加の生体力学ラベルを必要とするが、MSK-NNはそのような直接的な監督なしで訓練可能である。 - CNN、Bi-LSTM、CNN-LSTM、PETといったベースラインと比較して、正規化二乗平均平方根誤差(NRMSE)が低く、決定係数(R2)が高い。 - 特にランダム運動において優れた性能を示す。 - 最適化されたMSKパラメータが生理学的限界内に収まり、入力から除外された筋の推定活性が記録されたsEMGエンベロープと強い時間的一致を示す。

3. 技術・手法の肝は?

- MSK-NNは、CNNベースの筋活性推定器と埋め込み型筋骨格フォワードダイナミクスモジュールからなる完全微分可能なアーキテクチャである。 - 複合的な物理・生理損失を設計:関節キネマティクス損失、データ駆動型筋シナジー損失、解剖学的誘導トレンド損失を組み合わせる。 - 内部生体力学変数の直接的な監督なしで訓練される。 - 部分的に観測されたsEMGから、測定されていない筋の活性も推定する。

4. どうやって有効だと検証した?

- 2自由度の手首キネマティクス推定において、速度と振幅が制約されていない3つのリズミック運動と1つのランダム運動で評価。 - CNN、Bi-LSTM、CNN-LSTM、PETベースラインと比較し、NRMSEの低下とR2の向上を確認。 - 特にランダム運動で優位性を示す。 - 最適化されたMSKパラメータが生理学的限界内に収まることを確認。 - 入力から除外された筋の推定活性が記録されたsEMGエンベロープと強い時間的一致を示すことを確認。

5. 議論はある?

- 要旨からは、議論や限界についての明示的な記述は不明。 - ただし、生理学的に妥当な活性の回復が示されており、部分的観測下での有効性が示唆される。 - 今後の課題や制限については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:CNN、Bi-LSTM、CNN-LSTM、PET。 - 関連手法:筋骨格モデル、筋シナジー、表面筋電図(sEMG)に基づく関節キネマティクス推定。 - 同分野の定番:筋骨格モデリング(例:OpenSim)、深層学習を用いたsEMG解析。

※ 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: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

分類: eess.SY, cs.RO, cs.SY, eess.SP

原文アブストラクト

This paper investigates multi-degrees of freedom (DoF) joint kinematics estimation under partially observed surface electromyography (sEMG), where only a subset of task-relevant muscles can be measured due to anatomical inaccessibility or sensor constraints. A novel musculoskeletal neural network (MSK-NN) is proposed to estimate multi-DoF joint angles while simultaneously inferring activations for both measured and unmeasured muscles. MSK-NN consists of a CNN-based muscle activation estimator and an embedded MSK forward dynamics module, forming a fully differentiable architecture. Unlike existing hybrid neural frameworks that require additional biomechanical labels (e.g., muscle-tendon forces, joint torques), MSK-NN is trained without direct supervision of internal biomechanical variables. A composite physics-physiology loss is designed by incorporating a joint kinematics loss, a data-driven muscle synergy loss, and an anatomy-guided trend loss. The proposed method is evaluated on two-DoF wrist kinematics estimation across three rhythmic motions with unconstrained speed and amplitude, and one random motion. Compared with CNN, Bi-LSTM, CNN-LSTM, and PET baselines, MSK-NN achieves lower normalized root mean square error (NRMSE) and higher coefficient of determination (R2), especially for the random motion. More importantly, the optimized MSK parameters remain within physiological limits, and the estimated activation of an input-excluded muscle exhibits strong temporal agreement with its recorded sEMG envelope, demonstrating the capability of musculoskeletal (MSK)-NN to recover physiologically plausible activations.

  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