[논문 리뷰] Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG

Xueming Fu, Hao Zheng외 10명|arXiv (Cornell University)|2023. 07. 25.

Muscle activation and electromyography studiesEngineering인용 수 3

한 줄 요약

이 논문은 표면 전기근전도도(sEMG)에서 무릎 관절 궤적의 연속 예측을 향상시키기 위해 보행 주기 유사 학습 전략을 제안한다. 관절 각도를 운동 패턴과 진폭으로 분리하고 장시간 보행에서 유도된 근육 주요 활성화 마스크를 사용함으로써, 모델은 50ms의 예측 리드 타임으로 평균 RMSE 3.03°를 달성하였으며, 이는 이전 연구 대비 9.5% 향상된 성능이다.

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%.

연구 동기 및 목표

• sEMG 기반 무릎 관절 궤적 예측에서 개인 간 및 개인 내 변동성을 해결하기 위해.
• 외골격 및 인공지부 제어를 위한 하지 운동 의도의 연속적 실시간 예측을 향상시키기 위해.
• 보행 주기 구조와 근육 활성화 패턴을 활용하여 예측 오차를 감소시키기 위해.
• 더 나은 일반화를 위해 관절 각도 특징을 저변동성 운동 패턴과 고변동성 진폭으로 분리하기 위해.

제안 방법

• 관절 각도를 운동 패턴(낮은 개인 간 변동성)과 진폭(높은 변동성)으로 분해하여 별도 학습을 위해 분리한다.
• 공유된 보행 특징과 개인 맞춤형 특징을 모두 포착하기 위해 운동 패턴과 진폭 전용 신경망을 학습시킨다.
• 확장된 보행 주기에서 근육 주요 활성화 마스크를 추출하여 비보행 관련 sEMG 성분을 필터링한다.
• 이 마스크를 보조 가이드로 사용하여 sEMG 인코더에서 보행 관련 특징 학습을 향상시킨다.
• 분리된 예측 결과를 통합하여 전체 관절 각도 궤적을 재구성한다.
• 예측된 관절 각도와 실제 관절 각도 간의 RMSE를 최소화하는 손실 함수를 사용해 모델을 종합적으로 최적화한다.

실험 결과

연구 질문

• RQ1 관절 각도를 운동 패턴과 진폭으로 분리하는 것이 sEMG 기반 궤적 예측 정확도를 향상시키는가?
• RQ2 보행 주기 유도 근육 활성화 마스크가 비보행 관련 sEMG 노이즈를 필터링하는 데 얼마나 효과적인가?
• RQ3 제안된 학습 전략이 sEMG 예측에서 개인 간 및 개인 내 변동성을 얼마나 줄이는가?
• RQ4 모델은 실제 운동보다 상당한 리드 타임을 확보한 실시간 연속 예측을 수행할 수 있는가?
• RQ5 RMSE 및 예측 지연 측면에서 최신 기술 대비 모델 성능은 어떻게 비교되는가?

주요 결과

• 모델은 무릎 관절 궤적 예측에서 평균 제곱근오차(RMSE) 3.03°(±0.49°)를 달성하였다.
• 모델은 실제 운동보다 50ms 앞서 무릎 각도를 예측하여 보조 장치의 조기에 개입 가능성을 제공하였다.
• 제안된 방법은 최고 성능을 기록한 이전 방법 대비 최소 9.5%의 RMSE 감소를 달성하였다.
• 운동 패턴과 진폭으로의 분리가 다양한 생리적 특성을 지닌 피험자 간의 일반화 능력을 크게 향상시켰다.
• 보행 주기 유사 근육 활성화 마스크의 사용은 비보행 관련 근육 활동을 제거함으로써 특징 학습을 향상시켰다.
• 모델은 장시간 보행 데이터에서 뛰어난 성능을 보이며 보행 주기 기반 특징 추출의 안정성을 확인하였다.