基于 sEMG 的物理信息门控循环神经网络用于上肢多关节运动动力学建模
机器学习
2025-02-18 v2
摘要
外骨骼和康复系统有望通过使用自适应人机界面来提高人体力量和恢复。实现这些系统中精确且响应迅速的控制取决于准确估计关节运动动力学，如关节角度、速度、加速度、外部质量和扭矩。虽然机器学习（ML）方法已被用于从表面电位肌电图（sEMG）数据预测关节运动学，但传统 ML 模型往往难以在动态运动中获得良好泛化。相比之下，物理信息神经网络整合了生物力学原理，但其在预测完整运动动力学方面的有效性尚未得到充分探讨。为此，我们引入了物理信息门控循环神经网络（PiGRN），这是一种新型模型，旨在从 sEMG 数据预测多关节运动动力学。PiGRN 使用门控循环单元（GRU）处理时序 sEMG 输入，估计多关节运动学和外部负荷，并在训练期间 incorporates 物理约束以预测关节扭矩。实验验证使用来自五名受试者的 sEMG 数据进行，受试者完成肘部屈伸任务，负荷为 0 kg、2 kg 和 4 kg。结果显示，PiGRN 对 10 项新型运动的关节扭矩预测准确，RMSE 值范围为 4.02% 到 11.40%，相关系数在 0.87 到 0.98 之间。这些结果凸显了 PiGRN 在外骨骼和康复领域的实时应用潜力。未来工作将聚焦于扩大数据集、改进肌肉生物力学模型，以及探索无监督学习方法。
引用
@article{arxiv.2408.16599,
title = {sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics},
author = {Rajnish Kumar and Anand Gupta and Suriya Prakash Muthukrishnan and Lalan Kumar and Sitikantha Roy},
journal= {arXiv preprint arXiv:2408.16599},
year = {2025}
}