May, 2023

多分辨率物理信息循环神经网络：配方及应用于肌肉骨骼系统

PDF
TL;DR提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。
multi-resolution physics-informed recurrent neural networkmusculoskeletal motionparameter identificationsurface electromyographydynamic equilibrium
发现论文，激发创造
  • 人类运动系统外部仿真的仿生神经网络

    该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

    Sep, 2023

  • 基于物理学知识的 sEMG 低样本学习方法用于肌肉力量和关节运动估计

    本文提出了一种新颖的物理知识驱动的低样本学习方法，将拉格朗日运动方程和反动力学肌肉模型无缝集成到生成对抗网络 (GAN) 框架中，用于动态肌肉力学分析。

    Jul, 2023

  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 物理导向循环神经网络模拟动力系统：以模拟湖泊温度剖面为案例研究

    该论文提出了一种物理引导的循环神经网络模型，结合了循环神经网络与基于物理的模型，利用它们的互补优势来改善物理过程建模的精度，从而在各种科学和工程领域得到应用。

    Oct, 2018

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 基于物理引导的循环神经网络模型用于建模动态系统：监测湖泊水温和水质

    本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

    Oct, 2018

  • PerSival: 基于神经网络的肌肉骨骼生物力学中全渗透连续力学模拟的可视化

    本研究提出了一种新的神经网络架构，用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化，使得连续力学模拟在视觉实时应用中变得可行。

    Dec, 2023

  • 利用物理推理神经网络从 EMG 信号中预测上肢的多关节运动动力学在多种负载下

    采用物理信息引导神经网络（PINN）模型，结合肌电信号从多种负载条件下记录的肌肉周围关节来预测多关节运动动力学；训练过程中采用自定义损失函数和均方角度损失，结果显示了 58% 至 83% 的关节角度预测强相关性，显示了将物理原理纳入模型的潜力以增强其准确性，对于动态场景中多关节运动学的精确估计以及人机接口（HMIs）的进一步发展具有重要意义。

    Nov, 2023

  • 基于循环神经网络的人体动作预测

    本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

    May, 2017

  • 利用生成循环神经网络识别非线性动力系统及其在 fMRI 中的应用

    本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

    Feb, 2019