[論文レビュー] Prediction of Muscle Activations for Reaching Movements using Deep Neural Networks

Najeeb Khan, Ian Stavness|arXiv (Cornell University)|Jun 13, 2017

Muscle activation and electromyography studies被引用数 3

ひとこと要約

本論文では、計算的に高コストな最適化手法を回避するため、ポイント・トゥ・ポイントの到達運動のための筋活動軌跡を予測する深層自己符号化器ベースの深層ニューラルネットワーク（DNN）モデルを提案する。このモデルは、逆動力学および最適制御シミュレーションによって生成された筋活動を高い精度で再現できることを示しており、DNNが運動学的データから特徴的な運動パターンを効率的に学習できることを示している。

ABSTRACT

The motor control problem involves determining the time-varying muscle activation trajectories required to accomplish a given movement. Muscle redundancy makes motor control a challenging task: there are many possible activation trajectories that accomplish the same movement. Despite this redundancy, most movements are accomplished in highly stereotypical ways. For example, point-to-point reaching movements are almost universally performed with very similar smooth trajectories. Optimization methods are commonly used to predict muscle forces for measured movements. However, these approaches require computationally expensive simulations and are sensitive to the chosen optimality criteria and regularization. In this work, we investigate deep autoencoders for the prediction of muscle activation trajectories for point-to-point reaching movements. We evaluate our DNN predictions with simulated reaches and two methods to generate the muscle activations: inverse dynamics (ID) and optimal control (OC) criteria. We also investigate optimal network parameters and training criteria to improve the accuracy of the predictions.

研究の動機と目的

• 到達運動のための一貫性があり特徴的な筋活動パターンを予測することで、運動制御における筋の冗長性の課題に取り組む。
• 従来の最適化に基づく手法の計算的負担を回避するデータ駆動型の深層学習アプローチを開発する。
• 逆動力学および最適制御基準によって生成された筋活動軌跡を再現する深層自己符号化器の性能を評価する。
• 正確な筋活動予測に最適なネットワークアーキテクチャおよび学習基準を同定する。
• 到達タスクにおける神経筋制御を予測する既存のシミュレーションベースの手法に対する、高速でスケーラブルな代替手法を提供する。

提案手法

• 深層自己符号化器アーキテクチャを、運動学的データおよび活性化データから筋活動パターンの低次元の潜在的表現を学習するように訓練する。
• モデルは、逆動力学（ID）および最適制御（OC）シミュレーションによって生成された運動学的軌跡とそれに対応する筋活動を用いて訓練される。
• エンコーダーは入力の運動学的データをコンactな潜在空間にマップし、デコーダーは全般的な筋活動軌跡を再構成する。
• 深さ、幅、活性化関数などのネットワークハイパーパrameterは、予測精度を最大化するように調整される。
• 予測された信号と真値の間の平均二乗誤差損失を用いて学習が最適化される。
• 汎化性能と正確性を評価するために、訓練中に見られなかったシミュレートされた到達運動に対してモデルが評価される。

実験結果

リサーチクエスチョン

• RQ1 深層自己符号化器は、逆動力学および最適制御シミュレーションによって生成された筋活動軌跡を、非常に近い精度で予測できるか？
• RQ2 異なるネットワークアーキテクチャおよび学習基準では、モデルの性能はどのように変化するか？
• RQ3 DNNは、訓練中に見られなかった新しい到達運動にどの程度一般化できるか？
• RQ4 従来の最適化に基づく手法に比べ、DNNベースのアプローチは速度および正確性の面でどのように優れているか？
• RQ5 潜在空間の次元数は、筋活動予測の品質にどのような影響を及えるか？

主な発見

• 深層自己符号化器モデルは、筋活動軌跡の再構成において高い正確性を達成し、予測誤差は従来の最適化手法と同等またはそれ以下であった。
• 訓練中に見られなかった到達運動に対しても、モデルは良好に一般化しており、特徴的な運動パターンの強固な学習が示された。
• 最適なネットワークの深さと幅が特定され、複雑な軌跡ではより深いネットワークが優れた性能を示した。
• 学習中に平均二乗誤差損失が使用されたことで、筋活動信号の再構成正確性が顕著に向上した。
• DNNアプローチは反復的最適化に基づく手法よりも計算的に効率的であり、より迅速な推論が可能であった。
• モデルは、人間の到達運動で観察される滑らかで特徴的な活性化プロファイルを効果的に捉えていた。