疎なsEMGデータ拡張のための条件付きGANベースフレームワークと筋肉シナジー事前制約

科学分野:

• 生物医学工学
• 機械学習
• 信号処理

背景:

• 高品質な表面筋電図（sEMG）データは、倫理的およびプライバシー上の懸念から希少であり、ディープラーニングモデルの開発を妨げています。
• 既存の生成モデルは、マルチチャネルsEMG信号におけるチャネル間相関と生理学的妥当性の扱いに苦労しています。
• 誤差の蓄積と生物学的忠実度の欠如は、現在のsEMG生成技術の臨床応用の限界となっています。

研究 の 目的:

• 生理学的に妥当なマルチチャネルsEMG信号を生成するための新しいフレームワークを開発すること。
• 誤差の蓄積やチャネル間関係の不十分なモデリングなど、既存の生成方法の限界に対処すること。
• 合成sEMGデータの生物学的忠実度と臨床的有用性を高めること。

主な方法:

• 筋肉シナジー制約付き条件付き敵対的生成ネットワーク（MS-cGAN）フレームワークを提案しました。
• 疎なsEMG信号におけるチャネル間関係をモデル化するために、グラフ畳み込みネットワーク（GCN）ベースのジェネレータを導入しました。
• 生理学的妥当性を確保するために、筋肉シナジー（MS）事前制約を動的な損失関数として統合しました。

主要な成果:

• MS-cGANは、真正性と生体力学的忠実度が向上したマルチチャネルsEMG信号を正常に生成します。
• GCNベースのジェネレータは、複雑なチャネル間相関を効果的に捉え、誤差の蓄積を軽減します。
• 実験により、sEMGデータセットでMS-cGANが従来のGANおよび拡散モデルよりも優れたパフォーマンスを発揮することが実証されました。
• 生成されたデータは、下流タスクのパフォーマンスと運動予測の精度を大幅に向上させました。

結論:

• MS-cGANフレームワークは、高忠実度の合成sEMGデータを生成するための堅牢なソリューションを提供します。
• このアプローチは、希少なsEMGデータセットを効果的に補完し、より信頼性の高いディープラーニングモデルのトレーニングを可能にします。
• この方法は生理学的な一貫性を確保しており、生成されたsEMG信号は臨床応用や予測精度の向上に適しています。