关节和肌肉水平状态的深度学习估计需要EMG信息吗?
IEEE transactions on bio-medical engineering
|June 5, 2025
概括
深度学习模型可以准确地估计可穿戴设备的肌肉和关节状态. 在训练期间包括电肌图 (EMG) 数据显著改善了实时应用的肌肉状态估计.
科学领域:
- 生物力学 生物力学
- 可穿戴技术可穿戴技术
- 机器学习 机器学习
背景情况:
- 准确,非侵入性地估计关节和肌肉的生理状态,对于在行走过程中对可穿戴设备进行高级控制至关重要.
- 预测肌肉动态的传统方法往往是复杂的,计算密集的,并且在不同任务和个人之间范围有限.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于估计膝盖的内部生理状态,包括时刻,功率,速度和力.
- 在各种任务中,将DL模型性能与已建立的肌肉骨建模技术 (OpenSim静态优化和CEINMS) 进行比较.
主要方法:
- 利用在动力学数据上训练的深度学习模型来预测膝关节和肌肉的生理状态.
- 在28个循环和非循环任务中使用OpenSim的地面真实标签和EMG知情方法 (CEINMS) 评估模型准确性.
主要成果:
- 电肌图 (EMG) 对肌肉状态的估计至关重要,但对关节的动量/功率至关重要.
- 与没有EMG信息标签 (没有EMG输入) 训练的DL模型在肌肉时刻估计方面显著改善 (33.7%),与没有EMG信息标签训练的DL模型相比.
- 使用EMG信息标签和EMG输入的模型实现了更高的性能 (49.7%的改进),但在部署期间需要EMG.
结论:
- 电磁图形数据对于估计关节水平状态并不重要,但对肌肉水平状态估计有显著的好处.
- 该研究强调了实时部署的实用性,通过在EMG仅在培训期间使用时展示出优秀的状态跟踪.
