表面筋電図から物理情報に基づいたドメイン適応型ニューラルネットワークを用いたIMU信号の推定

科学分野:

• 生物医学工学
• 機械学習
• 生体力学

背景:

• 表面筋電図（EMG）信号からヒトの身体運動学を推定することは、筋肉活動と運動との間の複雑で非線形な関係のために困難です。
• 既存の方法では、異なるタスクに対してドメイン固有の調整または再トレーニングが必要になることが多く、一般化可能性が制限されます。

研究 の 目的:

• 異種ヒトタスクドメインにわたる筋電図信号からの堅牢な身体運動学推定のための、物理情報に基づいたドメイン適応型ニューラルネットワークアーキテクチャを開発すること。
• タスク固有の適応なしに、筋電図信号から直接慣性計測ユニット（IMU）出力を予測することにより、生体力学的逆マッピング問題を解決すること。

主な方法:

• 共有畳み込み特徴抽出器と、IMU信号予測のための回帰ヘッドと、勾配逆転層を使用した敵対的ドメイン分類ヘッドの2つのブランチ。
• 生体力学的妥当性を確保するために、予測された加速度（ジャーク）の導関数を罰する物理情報に基づいた損失項の組み込み。
• さまざまなセンサー構成を持つ5つの異なるタスクカテゴリにわたるEMG-IMUデータを使用した評価。

主要な成果:

• 加速度で0.42 ± 0.11 m/s²、ジャイロスコープ出力で6.38 ± 1.1°/sの二乗平均平方根誤差を57のIMUチャネルにわたって達成しました。
• モデルはほぼ75%のドメイン予測精度を示し、タスク不変表現の効果的な学習を示唆しています。
• パフォーマンスメトリックは、ドメインの複雑さとEMG/モーションパターンの重複によって異なりました。

結論:

• 提案された物理情報に基づいたドメイン適応型ニューラルネットワークは、再トレーニングなしでさまざまなタスクにわたって筋電図信号から身体運動学を効果的に推定します。
• このアーキテクチャは、生体力学的制約を強制しながら一般化可能な表現を学習し、モーション分析に有望なアプローチを提供します。
• この方法は、さまざまなアプリケーションでの非侵襲的で正確なモーション追跡の可能性を進歩させます。