面向肌骨建模的物理信息深度学习：从表面肌电预测肌力与关节运动学
信号处理
2022-07-05 v1
摘要
肌骨模型因能估计体内难以直接测量的运动变量（即肌力与关节力矩），已被广泛用于细致生物力学分析以表征各类功能损伤。基于物理的计算性神经肌骨模型可解释神经对肌肉的驱动、肌肉动力学、身体与关节运动学及动力学之间的动态交互。然而，此类方案存在速度慢的缺陷，尤其对复杂模型而言，阻碍了其在实时应用中的效用。近年来，数据驱动方法因快速与简便实现之优势而崭露为有望的替代，但其无法反映潜在的神经机械过程。本文提出一种用于肌骨建模的物理信息深度学习框架，将基于物理的领域知识作为软约束引入数据驱动模型，以惩罚/正则化该模型。我们以从表面 electromyogram（sEMG，表面肌电图）同步预测肌力与关节运动学为例示证所提框架。采用卷积神经网络（CNN）作为深度神经网络实现该框架。同时，肌力与关节运动学间的物理定律被用作软约束。我们在两组数据上进行了实验验证，包括一个基准数据集与一组来自六名健康受试者的自采集数据集。实验结果证明了所提框架的有效性与鲁棒性。
引用
@article{arxiv.2207.01435,
title = {Physics-informed Deep Learning for Musculoskeletal Modelling: Predicting Muscle Forces and Joint Kinematics from Surface EMG},
author = {Jie Zhang and Yihui Zhao and Fergus Shone and Zhenhong Li and Alejandro F. Frangi and Shengquan Xie and Zhiqiang Zhang},
journal= {arXiv preprint arXiv:2207.01435},
year = {2022}
}