使用深度神经网络预测伸展运动的肌肉激活
神经与进化计算
2017-06-14 v1
摘要
运动控制问题涉及确定完成给定运动所需的随时间变化的肌肉激活轨迹。肌肉冗余性使得运动控制成为一项具有挑战性的任务：存在许多可以实现同一运动的可能激活轨迹。尽管存在这种冗余性，大多数运动都是以高度刻板的方式完成的。例如，点到点伸展运动几乎普遍以非常相似的光滑轨迹来完成。优化方法通常用于预测测量到的运动的肌肉力。然而，这些方法需要计算昂贵的模拟，并且对所选的最优性准则和正则化敏感。在本工作中，我们研究了用于预测点到点伸展运动肌肉激活轨迹的深度自编码器。我们用模拟的伸展运动以及生成肌肉激活的两种方法（逆动力学（ID）和最优控制（OC）准则）评估了我们的 DNN 预测。我们还研究了最优网络参数和训练准则，以提高预测的准确性。
引用
@article{arxiv.1706.04145,
title = {Prediction of Muscle Activations for Reaching Movements using Deep Neural Networks},
author = {Najeeb Khan and Ian Stavness},
journal= {arXiv preprint arXiv:1706.04145},
year = {2017}
}
备注
To be presented at the Annual meeting of American Society of Biomechanics 2017