一种多分辨率物理信息循环神经网络：公式化及其在肌肉骨骼系统中的应用
机器学习
2023-05-29 v1
摘要
本工作提出一种多分辨率物理信息循环神经网络（MR PI-RNN），用于同时预测肌肉骨骼（MSK）运动并辨识 MSK 系统的参数。选择 MSK 应用作为模型问题，是因为其在将高频表面肌电图（sEMG）信号映射至由 MSK 与肌肉收缩动力学控制的低频身体关节运动方面具有挑战性。所提方法利用快速小波变换将混合频率的输入 sEMG 与输出关节运动信号分解为嵌套的多分辨率信号。随后使用门控循环单元（GRU）在较粗尺度输入输出信号上训练预测模型，并将训练所得参数迁移至下一层级以更细尺度信号进行训练。这些训练过程在迁移学习模式下递归重复，直至实现全尺度训练（即使用未滤波信号），同时满足底层动力学平衡。基于受试者记录数据的数值算例证明了所提框架在生成物理信息前向动力学代理模型方面的有效性，其相较单尺度训练情形在 MSK 系统肘屈伸运动预测中获得了更高精度。该框架亦能辨识出与受试者运动学数据生理一致的肌肉参数。
引用
@article{arxiv.2305.16593,
title = {A Multi-Resolution Physics-Informed Recurrent Neural Network: Formulation and Application to Musculoskeletal Systems},
author = {Karan Taneja and Xiaolong He and Qizhi He and J. S. Chen},
journal= {arXiv preprint arXiv:2305.16593},
year = {2023}
}
备注
40 pages, 11 figures, 5 tables