表面筋電図と深層学習を用いた筋力低下近接性の推定

科学分野:

• 生体医工学
• 運動生理学
• 機械学習

背景:

• パーソナライズされたレジスタンストレーニングには、筋肉の疲労のリアルタイムモニタリングが必要です。
• 表面筋電図（sEMG）は、筋肉の活性化を評価するための非侵襲的な方法を提供します。

研究 の 目的:

• sEMG信号を用いた筋力低下近接性のリアルタイム推定のための深層学習モデルを開発および評価すること。
• そのようなモデルのトレーニングと検証のための新しいデータセットを作成すること。

主な方法:

• 失敗までの等尺性上腕二頭筋保持の192のsEMG記録のデータセットを収集しました。
• sEMG信号を前処理し、スペクトログラムに変換しました。
• 深層学習モデル（MLP、Transformer、LSTM）および回帰ベースラインをトレーニングして、筋力低下近接指数（PFI）を予測しました。

主要な成果:

• 深層学習モデルは、線形およびサポートベクター回帰ベースラインを大幅に上回りました。
• Long Short-Term Memory（LSTM）ネットワークは、最も低い平均二乗誤差（49.44±18.34）を達成しました。
• sEMGスペクトログラムからのPFIの正確な推定を実証しました。

結論:

• 等尺性収縮中のsEMGから筋力低下近接性を確実に推定できます。
• この調査結果は、適応性レジスタンストレーニングのためのリアルタイムバイオフィードバックシステムの開発を支持しています。
• この技術は、トレーニングのパーソナライズとパフォーマンスを最適化する可能性を秘めています。