[論文レビュー] Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG

Xueming Fu, Hao Zheng+10 more|arXiv (Cornell University)|Jul 25, 2023

Muscle activation and electromyography studiesEngineering被引用数 3

ひとこと要約

本論文は、表面筋電図（sEMG）からの膝関節軌道の連続的予測を向上させるために、歩行サイクルにインspiredした学習戦略を提案する。関節角を運動パターンとアモニチュードに分離し、長時間の歩行から得た筋肉の主成分活性マスクを用いることで、50msの予測リードタイムで平均RMSEが3.03°に達し、先行研究比で9.5%の低減を達成した。

ABSTRACT

Predicting lower limb motion intent is vital for controlling exoskeleton robots and prosthetic limbs. Surface electromyography (sEMG) attracts increasing attention in recent years as it enables ahead-of-time prediction of motion intentions before actual movement. However, the estimation performance of human joint trajectory remains a challenging problem due to the inter- and intra-subject variations. The former is related to physiological differences (such as height and weight) and preferred walking patterns of individuals, while the latter is mainly caused by irregular and gait-irrelevant muscle activity. This paper proposes a model integrating two gait cycle-inspired learning strategies to mitigate the challenge for predicting human knee joint trajectory. The first strategy is to decouple knee joint angles into motion patterns and amplitudes former exhibit low variability while latter show high variability among individuals. By learning through separate network entities, the model manages to capture both the common and personalized gait features. In the second, muscle principal activation masks are extracted from gait cycles in a prolonged walk. These masks are used to filter out components unrelated to walking from raw sEMG and provide auxiliary guidance to capture more gait-related features. Experimental results indicate that our model could predict knee angles with the average root mean square error (RMSE) of 3.03(0.49) degrees and 50ms ahead of time. To our knowledge this is the best performance in relevant literatures that has been reported, with reduced RMSE by at least 9.5%.

研究の動機と目的

• sEMGに基づく膝関節軌道予測における被験者間および被験者内ばらつきを軽減すること。
• 補助具や人工下肢の制御における下肢運動意思の連続的・リアルタイム予測を向上させること。
• 歩行サイクルの構造と筋肉活性パターンを活用することで予測誤差を低減すること。
• 関節角特徴量を低ばらつきの運動パターンと高ばらつきのアモニチュードに分離し、より良い一般化性能を実現すること。

提案手法

• 関節角を運動パターン（被験者間でばらつきが小さい）とアモニチュード（ばらつきが大きい）に分解し、それぞれ別々に学習する。
• 共有される歩行特徴と個人に特有の特徴を捉えるために、運動パターンとアモニチュードの専用ニューラルネットワークを訓練する。
• 延長された歩行サイクルから筋肉の主成分活性マスクを抽出し、歩行関連でないsEMG成分をフィルタリングする。
• マスクを補助的ガイダンスとして用い、sEMGエンコーダーにおける歩行関連特徴の学習を強化する。
• 分離された予測結果を統合し、完全な膝関節角軌道を再構成する。
• 予測された関節角と実際の関節角のRMSEを最小化する損失関数を用いて、モデルをエンドツーエンド最適化する。

実験結果

リサーチクエスチョン

• RQ1 膝関節角を運動パターンとアモニチュードに分離することで、sEMGに基づく軌道予測の精度が向上するか？
• RQ2 歩行サイクルから導出した筋肉活性マスクは、歩行関連でないsEMGノイズのフィルタリングにどの程度効果的か？
• RQ3 提案された学習戦略は、sEMG予測における被験者間および被験者内ばらつきをどの程度低減できるか？
• RQ4 本モデルは、実際の運動よりも顕著なリードタイムを有するリアルタイムで連続的な予測を達成できるか？
• RQ5 RMSEおよび予測遅延の観点から、最先端の手法と比較して本モデルはどの程度優れているか？

主な発見

• 本モデルは、膝関節軌道の予測において平均二乗誤差（RMSE）が3.03°（±0.49°）に達した。
• 本モデルは、実際の運動よりも50ms先の膝関節角度を予測でき、補助装置における早期干渉を可能にした。
• 提案手法は、最も性能の高かった先行手法と比較して、RMSEを最低9.5%低減した。
• 運動パターンとアモニチュードの分離により、多様な生理的特徴を有する被験者間での一般化性能が著しく向上した。
• 歩行サイクルにインスパイアされた筋肉活性マスクの使用により、歩行関連でない筋活動を除外することで特徴の学習が強化された。
• 本モデルは長時間の歩行データにおいても安定した性能を示し、歩行サイクルに基づく特徴抽出の安定性を確認した。