一个基于物理的低射击对抗学习,用于基于sEMG的肌肉力量和关节动力学估计

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 从表面电肌图 (sEMG) 估计肌肉力量和关节动力学对于实时生物机械分析至关重要.
• 深度神经网络 (DNN) 显示出自动化生物机械分析的前景,但受到小样本大小和缺乏物理解释性的限制.

研究的目的:

• 开发一种新的以物理为基础的低射击对抗性学习方法,用于基于sEMG的增强肌肉力量和关节动力学估计.
• 解决小样本数据的局限性,并提高生物力学深度学习模型的物理解释性.

主要方法:

• 在生成对抗网络 (GAN) 框架内整合拉格朗奇运动方程和反向动态肌肉模型.
• 利用基于物理学的政策梯度来提高对抗性学习效率并确保物理一致性.
• 低射线学习方法,以从有限的数据中进行准确的估计.

主要成果:

• 拟议的方法准确地估计了肌肉力量和关节动力学,与基于物理的逆动力学相比,显示了无偏见的结果.
• 基于物理学的对抗式学习方法优于PI-CNN,香草GAN和ML-ELM等基准方法.
• 在行走和手腕运动试验上的实验验证证明了该方法的有效性.

结论:

• 这种新的基于物理的低射程对抗式学习方法为基于sEMG的生物力学分析提供了强大的解决方案,数据有限.
• 这种方法提高了肌肉力量和关节动力学估计的准确性和物理解释性.
• 这些发现表明,在将深度学习应用于复杂的生物力学问题方面取得了重大进展.