[논문 리뷰] Prediction of Muscle Activations for Reaching Movements using Deep Neural Networks

Najeeb Khan, Ian Stavness|arXiv (Cornell University)|2017. 06. 13.

Muscle activation and electromyography studies인용 수 3

한 줄 요약

이 논문은 계산 비용이 높은 최적화 방법을 회피하기 위해 점에서 점으로 이동하는 운동을 위한 근육 활성화 궤적을 예측하기 위해 딥 오토인코더 기반의 딥 신경망(DNN) 모델을 제안한다. 이 모델은 역역학 및 최적 제어 시뮬레이션에서 생성된 활성화를 높은 정확도로 재현하며, DNN이 운동학 데이터에서 일반적인 운동 패턴을 효율적으로 학습할 수 있음을 보여준다.

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.

연구 동기 및 목표

• 점에서 점으로 이동하는 운동을 위한 일관되고 일반적인 근육 활성화 패턴을 예측함으로써 운동 제어에서의 근육 부족 문제를 해결하기 위해.
• 기존의 최적화 기반 방법의 계산 부담을 피하는 데이터 기반의 딥 러닝 접근법을 개발하기 위해.
• 딥 오토인코더가 역역학 및 최적 제어 기준으로 생성된 근육 활성화 궤적을 얼마나 잘 재현하는지 평가하기 위해.
• 정확한 근육 활성화 예측을 위한 최적의 네트워크 아키텍처와 학습 기준을 규명하기 위해.
• 기존의 시뮬레이션 기반 방법에 비해 빠르고 확장 가능한 신경근육 제어 예측의 대안을 제공하기 위해.

제안 방법

• 딥 오토인코더 아키텍처가 운동학 및 활성화 데이터로부터 근육 활성화 패턴의 저차원 잠재 표현을 학습하도록 훈련된다.
• 모델은 역역학(ID) 및 최적 제어(OC) 시뮬레이션을 통해 생성된 운동학 궤적과 해당 근육 활성화를 사용하여 훈련된다.
• 에코더는 입력 운동학을 압축된 잠재 공간으로 매핑하고, 디코더는 전체 근육 활성화 궤적을 재구성한다.
• 깊이, 너비, 활성화 함수와 같은 네트워크 하이퍼파라미터는 예측 정확도를 극대화하도록 조정된다.
• 예측된 근육 활성화 신호와 진짜 값 간의 평균 제곱오차 손실을 사용하여 훈련이 최적화된다.
• 일반화 및 정확도 평가를 위해 훈련 중에 보지 못한 시뮬레이션된 이동 운동에 대해 모델이 평가된다.

실험 결과

연구 질문

• RQ1 딥 오토인코더는 역역학 및 최적 제어 시뮬레이션에서 생성된 근육 활성화 궤적을 얼마나 정확하게 예측할 수 있는가?
• RQ2 다양한 네트워크 아키텍처와 학습 기준에 따라 모델 성능는 어떻게 달라지는가?
• RQ3 DNN은 훈련 중에 보지 못한 새로운 이동 운동에 얼마나 잘 일반화되는가?
• RQ4 전통적인 최적화 기반 방법에 비해 DNN 기반 접근법은 속도와 정확도 측면에서 어떻게 비교되는가?
• RQ5 잠재 공간의 차원 수가 근육 활성화 예측 품질에 어떤 영향을 미치는가?

주요 결과

• 딥 오토인코더 모델은 근육 활성화 궤적을 높은 정확도로 재구성했으며, 예측 오차가 기존 최적화 방법과 비교해 유사하거나 더 낮았다.
• 모델은 훈련 중에 보지 못한 이동 운동으로도 잘 일반화되어 일반적인 운동 패턴을 잘 학습했다는 것을 보여주었다.
• 최적의 네트워크 깊이와 너비가 규명되었으며, 더 깊은 네트워크가 복잡한 궤적에서 더 나은 성능을 보였다.
• 학습 중에 평균 제곱오차 손실을 사용함으로써 근육 활성화 신호의 재구성 정확도가 크게 향상되었다.
• 반복적인 최적화 기반 방법에 비해 DNN 접근법이 계산적으로 더 효율적이었으며, 더 빠른 추론이 가능했다.
• 모델은 인간의 이동 운동에서 관찰되는 부드럽고 일반적인 활성화 프로파일을 성공적으로 포착했다.