基于物理信息知识迁移增强个性化肌肉骨骼建模
信号处理
2022-11-23 v1
摘要
由于概念上直观、实现简单快速，数据驱动方法在肌肉骨骼建模中已变得越来越突出。然而，使用特定受试者数据预训练的数据驱动模型在采用新受试者数据进行验证时，性能可能严重下降，阻碍了个性化肌肉骨骼模型在临床应用中的效用。本文开发了一种主动物理信息深度迁移学习框架，以增强肌肉骨骼模型在未见数据上的动态跟踪能力。所提框架的显著优势有两点：1）对于通用模型，基于物理的域知识作为软约束嵌入到数据驱动模型的损失函数中，以惩罚/正则化数据驱动模型。2）对于个性化模型，与特征提取相关的参数将直接从通用模型继承，仅与受试者特定推断相关的参数通过联合最小化常规数据预测损失和修正的基于物理的损失来进行微调。在本文中，我们使用从表面肌电图（sEMG）同步预测肌肉力与关节运动学作为示例来说明所提框架。此外，采用卷积神经网络（CNN）作为深度神经网络来实现所提框架，并利用肌肉力与关节运动学之间的物理定律作为软约束。在来自八名健康受试者的自采集数据集上的综合实验结果表明了所提框架的有效性和良好的泛化能力。
引用
@article{arxiv.2211.12315,
title = {Boosting Personalised Musculoskeletal Modelling with Physics-informed Knowledge Transfer},
author = {Jie Zhang and Yihui Zhao and Tianzhe Bao and Zhenhong Li and Kun Qian and Alejandro F. Frangi and Sheng Quan Xie and Zhi-Qiang Zhang},
journal= {arXiv preprint arXiv:2211.12315},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2207.01435