.png){kind=icon}
返回
Deep muscle electromyogram construction using a physics-integrated deep learning approach
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111613.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于肌电图（EMG）的计算肌骨建模是一种非侵入性方法，用于研究肌腱功能、人体运动和神经肌肉控制，可提供肌肉力和关节扭矩等内部变量的估计值。然而，通过放置表面EMG电极测量深层肌肉的EMG信号往往具有挑战性，而直接使用侵入性方法测量则不可行。获取深层肌肉EMG数据的限制对EMG驱动建模技术的广泛应用构成了重大障碍。一种战略替代方案是使用估计算法来近似深层肌肉的缺失EMG信号。类似策略用于物理信息深度学习中，其中物理系统的特征在不依赖标注数据的情况下进行学习。本研究提出了一种混合深度学习算法，即神经肌骨模型（NMM），该算法整合了物理信息与数据驱动的深度学习，以近似深层肌肉的EMG信号。在数据驱动建模用于预测缺失EMG信号的同时，基于物理的建模将特定受试者的信息嵌入预测结果中。在十三名测试受试者上进行了实验验证，以评估所提出的混合框架的性能。将所提出的NMM与‘OpenSim’软件计算的关节扭矩进行对比验证。预测的深层EMG信号也与最先进的算法进行比较，结果表明所提出的NMM在性能上显著优于现有框架。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏OpenSim: Open-Source Software to Create and Analyze Dynamic Simulations of MovementOpenSim: 开源软件，用于创建和分析运动的动态模拟
OAAI
OAAI分享收藏Neuromusculoskeletal Modeling: Estimation of Muscle Forces and Joint Moments and Movements from Measurements of Neural Command神经肌肉骨骼建模: 通过神经命令的测量来估计肌肉力和关节力矩和运动
OAAI
OAAI分享收藏
查看更多内容