Deep Muscle EMG construction using A Physics-Integrated Deep Learning approach

作者: Rajnish Kumar, Tapas Tripura, Souvik Chakraborty, Sitikantha Roy

发布时间: 2025-03-10

来源: arxiv

研究方向: 生物力学与机器学习

主要内容

该研究提出了一种名为NMM（神经肌肉骨骼模型）的混合深度学习算法，用于从深层肌肉的关节运动学数据中近似构建深层肌肉的EMG（肌电图）信号。该算法结合了物理信息与数据驱动深度学习，通过将物理定律嵌入到机器学习模型中，有效地学习高维肌肉骨骼系统的复杂特征。

1. 构建深层肌肉EMG：提出了一种名为NMM的神经网络，能够仅从关节运动学状态和提升负载信息中构建不可测量的深层肌肉EMG信号。

2. 开发个性化肌肉骨骼模型：设计了一种物理信息神经网络架构，该架构通过联合使用可测量的关节运动学状态、表面EMG（sEMG）包络和肌肉骨骼前向动力学模型的物理定律进行训练。

3. 跨多种负载条件泛化：特定受试者的NMM可以在多种负载条件下进行预训练和测试，从而消除对为不同负载条件预训练多个ML模型的需要，节省计算资源和从头开始预训练多个模型的成本。

1. 物理信息神经网络（PINN）

2. 深度学习

3. 注意力机制

4. Transformer架构

5. 肌肉骨骼动力学模型

6. 数据驱动学习

7. 物理信息嵌入

实验结果表明，NMM在构建深层肌肉EMG信号方面优于现有的肌肉协同作用外推（MSE）方法。NMM成功地构建了深层肌肉的EMG估计，在时空模式和肌肉激活幅度方面与测量结果一致。此外，NMM在预测关节扭矩方面提供了比MSE方法更动态一致和准确的预测。

未来的工作可能包括：设计更全面的实验方案以提高数据质量，引入更精确的MSK模型，特别是在物理编码块中的肌肉收缩动力学和几何模块；将NMM扩展到生成其他神经肌肉信号，如运动单位动作电位，以提供对神经肌肉动力学和运动控制的更全面的理解；将NMM应用于下肢运动分析，如步态分析。