基于物理信息的小样本学习用于 sEMG 的肌力与关节运动学估计
信号处理
2023-07-12 v1 人工智能
机器学习
机器人学
摘要
从表面肌电图(sEMG)估计肌力与关节运动学,对于神经肌肉刺激、肌肉动力学与动力学之间动态相互作用的实时生物力学分析至关重要。深度神经网络(DNNs)的最新进展已显示出以全自动化且可复现的方式改进生物力学分析的潜力。然而,生物力学分析的小样本特性与物理可解释性限制了 DNNs 的应用。本文提出一种新颖的基于物理信息的小样本学习方法,用于基于 sEMG 的肌力与关节运动学估计。该方法将拉格朗日运动方程与逆动态肌肉模型无缝集成到生成对抗网络(GAN)框架中,以实现结构化特征解码及小样本数据的外推估计。具体而言,将拉格朗日运动方程引入生成模型,以遵循物理定律约束高层特征的结构化解码。并设计了一种物理信息策略梯度,通过奖励外推估计与物理参考的一致物理表示来提升对抗学习效率。实验验证在两个场景(即行走试验与腕部运动试验)上进行。结果表明,相较于基于物理的逆动力学,肌力与关节运动学的估计是无偏的,且优于所选基准方法,包括物理信息卷积神经网络(PI-CNN)、原始生成对抗网络(vallina GAN)和多层极限学习机(ML-ELM)。
引用
@article{arxiv.2307.05361,
title = {A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics},
author = {Yue Shi and Shuhao Ma and Yihui Zhao and Zhiqiang Zhang},
journal= {arXiv preprint arXiv:2307.05361},
year = {2023}
}
备注
17 pages, 8 Figures