Sep, 2023

人类运动系统外部仿真的仿生神经网络

PDF
TL;DR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。
musculoskeletal modelingdata-driven methodsphysics-informed deep learningjoint motionmuscle forces
发现论文，激发创造
  • 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

  • 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

  • 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

  • 自主模型：采用分层低维表示模拟完整的人体肌肉骨骼系统和运动控制

    建立了综合的肌肉骨骼模型和相应的控制算法，能够模拟全身动力学和人机交互，并采用新的低维度表示和分层深度强化学习算法来实现最先进的全身控制。

    Dec, 2023

  • 基于数据的实现真实人类关节约束的模拟方法

    通过学习隐式方程并使用神经网络和梯度优化技术，该论文介绍了一种新技术，可以在物理仿真中准确模拟人类关节的极限运动范围，以便实现更真实的人机交互和优化问题的求解。

    Sep, 2017

  • 学习奔跑挑战：使用深度强化学习合成生理准确运动

    通过深度强化学习等优化方法，可以高效地探索大型和复杂的生物力学模型空间，进而实现合成可行的高维生物力学系统运动。

    Mar, 2018

  • 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

  • 高维肌骨模型中无示范的强化学习自然稳健步行

    人类以稳健的双足步行在复杂的自然环境中表现出色。然而，尚不完全了解神经系统如何解决肌骨冗余以解决多目标控制问题，考虑稳定性、鲁棒性和能量效率。本研究探索使用强化学习实现自然步行，并保持其鲁棒性，为研究人类在复杂自然环境中步行的新方法铺平道路。

    Sep, 2023

  • 基于生物力学模型和合成训练数据的视频中的三维运动学估计

    提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

    Feb, 2024

  • MyoSuite -- 一种用于肌肉骨骼运动控制的接触模拟套件

    MyoSuite 是一套体质上准确的生物力学模型，能够支持复杂的接触丰富的现实世界任务，包括肌腱移植、外骨骼辅助和肌肉收缩动力学等生理变化，从而展现出现实中的非稳态条件。

    May, 2022