Perspectivas sobre el control motor: predice la actividad muscular a partir de la cinemática de las extremidades...

Área de la Ciencia:

• Biomecánica; Neurociencia; Aprendizaje automático

Sus antecedentes:

• Comprender la relación entre la cinemática de las extremidades superiores y la actividad muscular es crucial para la investigación del control motor.
• Los modelos predictivos pueden ofrecer información sobre cómo el sistema nervioso controla el movimiento.
• Los métodos actuales pueden requerir conjuntos de datos extensos para una predicción precisa del control motor.

Objetivo del estudio:

• Desarrollar y evaluar una red de memoria a corto y largo plazo (LSTM) para estimar la actividad muscular de las extremidades superiores a partir de datos cinemáticos.
• Evaluar la capacidad del modelo para generalizar a movimientos no vistos y nuevas repeticiones.
• Investigar los factores que influyen en la generalización del modelo, incluida la segmentación del movimiento, el ángulo de giro y la complejidad de los datos de entrenamiento.

Principales métodos:

• Se utilizaron datos cinemáticos del efector final de 23 movimientos distintos de las extremidades superiores realizados por cinco sujetos.
• Se entrenó una red de memoria a corto y largo plazo (LSTM) para predecir la actividad de ocho músculos de las extremidades superiores.
• Se analizó el impacto de la segmentación del movimiento, el ángulo de giro y la diversidad de los datos de entrenamiento en la generalización del modelo.

Principales resultados:

• El modelo LSTM demostró una alta precisión predictiva para movimientos conocidos y se generalizó eficazmente a movimientos no vistos.
• Los hallazgos sugieren que el modelo captura principios biomecánicos subyacentes en lugar de simplemente memorizar patrones.
• Las capacidades de generalización se vieron influenciadas por las estrategias de segmentación del movimiento y la complejidad de los datos de entrenamiento.

Conclusiones:

• El modelo LSTM desarrollado muestra ser prometedor para aproximar el control motor al predecir con precisión la actividad muscular a partir de la cinemática.
• La capacidad de generalización del modelo reduce la necesidad de conjuntos de datos exhaustivos, lo que beneficia las aplicaciones en rehabilitación e interacción humano-máquina.
• Una mayor investigación sobre la representación del movimiento y la complejidad de los datos de entrenamiento puede mejorar el rendimiento de los modelos predictivos de control motor.