Jul, 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

PDF
TL;DR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。
surface electromyographydeep neural networksmuscle forcejoint kinematicslagrange's equation
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

  • 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

  • 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

    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。

    May, 2023

  • 基于步态周期的学习策略，用于基于 sEMG 的膝关节轨迹连续预测

    通过表面肌电信号和步行周期启发的学习策略，该研究提出了一种模型，成功预测人体膝关节角度，并在相关文献中取得了至少 9.5% 的误差减少，为该领域的最佳表现。

    Jul, 2023

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 运用物理引导的生成对抗网络学习物理模型

    本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

    Apr, 2023

  • 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

  • 人体动态的弱监督学习

    本文提出了一种基于弱监督学习的动态估计框架，通过搭建神经网络层，实现在小规模的动力数据集和弱监督领域转移上进行的纯人类运动数据的循环损失最小化，获得了最先进的基于地面反作用力、地面反作用力矩和关节扭矩回归的结果。

    Jul, 2020

  • 应用物理信息的生成神经网络用于室内人体感知的射频传播预测

    该研究论文讨论了一种基于变分自编码器（VAE）的物理约束生成神经网络模型，用于模拟人体运动对电磁场的影响并融合电磁体绕射原理。通过与经典绕射基于电磁工具和全波电磁体模拟进行验证。

    May, 2024

  • 软组织非线性生物力学模型中的物质特性基于物理知识的神经网络估计

    基于物理信息神经网络（PINNs）与三维柔性组织非线性生物力学模型的结合，本研究提出了一种新的方法，能够重建位移场并估算异质病人个体的生物物理特性，通过在临床环境中常规获取的有限位移和应变数据，结合问题的物理性质和偏微分方程的数学模型，提高问题的稳定性和收敛性能，进而在疾病诊断等方面发展个性化的模拟模型，并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。

    Dec, 2023