对运动控制的洞察:通过LSTM网络从上肢动力学预测肌肉活动

科学领域:

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

背景情况:

• 了解上肢动力学与肌肉活动之间的关系对于运动控制研究至关重要.
• 预测模型可以提供关于神经系统如何控制运动的见解.
• 目前的方法可能需要广泛的数据集来准确预测电机控制.

研究的目的:

• 开发和评估一个长期短期记忆 (LSTM) 网络,用动力学数据来估计上肢肌肉活动.
• 评估模型对未见的动作和新的重复进行概括的能力.
• 调查影响模型概括的因素,包括运动细分,旋转角度和训练数据复杂性.

主要方法:

• 利用了由五个受试者执行的23个不同的上肢运动的动力终端效应器数据.
• 训练了一个长期短期记忆 (LSTM) 网络来预测八个上肢肌肉的活动.
• 分析了运动细分,旋转角度和训练数据多样性对模型概括的影响.

主要成果:

• 该LSTM模型对已知的运动表现出强大的预测准确性,并有效地对未见的运动进行了概括.
• 研究结果表明,该模型捕捉了潜在的生物力学原理,而不仅仅是记忆模式.
• 一般化能力受到运动细分策略和训练数据复杂性的影响.

结论:

• 开发的LSTM模型显示,通过动力学准确预测肌肉活动,可以对近似的运动控制做出有希望的预测.
• 该模型的概括能力减少了对详尽数据集的需求,有利于康复和人机交互中的应用.
• 对运动表示和训练数据复杂性的进一步研究可以提高预测运动控制模型的性能.