[논문 리뷰] The Spatial and Temporal Resolution of Motor Intention in Multi-Target Prediction

Marie Dominique Schmidt, Ioannis Iossifidis|arXiv (Cornell University)|2026. 03. 05.

Muscle activation and electromyography studies인용 수 0

한 줄 요약

연구는 지연 도달 과제 중 다채널 EMG로 상지 움직임 의도를 해독하고, RF와 CNN을 사용해 25개의 공간 목표를 예측하며 의도에 대한 공간/시간 해상도를 분석한다.

ABSTRACT

Reaching for grasping, and manipulating objects are essential motor functions in everyday life. Decoding human motor intentions is a central challenge for rehabilitation and assistive technologies. This study focuses on predicting intentions by inferring movement direction and target location from multichannel electromyography (EMG) signals, and investigating how spatially and temporally accurate such information can be detected relative to movement onset. We present a computational pipeline that combines data-driven temporal segmentation with classical and deep learning classifiers in order to analyse EMG data recorded during the planning, early execution, and target contact phases of a delayed reaching task. Early intention prediction enables devices to anticipate user actions, improving responsiveness and supporting active motor recovery in adaptive rehabilitation systems. Random Forest achieves $80\%$ accuracy and Convolutional Neural Network $75\%$ accuracy across $25$ spatial targets, each separated by $14^\circ$ azimuth/altitude. Furthermore, a systematic evaluation of EMG channels, feature sets, and temporal windows demonstrates that motor intention can be efficiently decoded even with drastically reduced data. This work sheds light on the temporal and spatial evolution of motor intention, paving the way for anticipatory control in adaptive rehabilitation systems and driving advancements in computational approaches to motor neuroscience.

연구 동기 및 목표

• 공간적으로 정밀한 EMG가 도달 방향과 목표 위치를 어떻게 예측할 수 있는지 조사한다.
• 운동 계획 전 단계에서 접촉 후 유지 단계까지 예측 정확도가 어떻게 변하는지 결정한다.
• 해독 성능에 대한 EMG 채널 선택 및 시간 창(Temporal windowing)의 영향을 평가한다.
• EMG 기반 의도 해독에 대한 전통적 기계 학습(Random Forest)과 딥 러닝(CNN) 접근법을 비교한다.
• 재활 및 보조 기기에서의 예측 제어에 대한 임상적 함의를 평가한다.

제안 방법

• VR에서 지연 도달 과제 동안 MVC 표준화로 다채널 EMG(10근육)를 기록한다.
• EMG 창에서 28개의 시간, 주파수, 시간-주파수 도메인 특징을 추출한다.
• 교차 검증된 피험자 특이적 모델로 Random Forest 분류기를 훈련하고 Optuna로 하이퍼파라미터를 최적화한다.
• 타깃을 분류하기 위한 1D CNN 아키텍처를 개발한다(세 개의 컨볼루션 층, 배치 정규화, ReLU, 풀링, 글로벌 풀링, 두 개의 Dense 층).
• 최소한의 정보가 있는 부분집합을 식별하기 위해 채널 감소 및 특징 감소 분석을 수행한다.
• 운동을 약 200 ms 간격의 여덟 창으로 분할하여 순열 중요도(permutation importance)를 사용해 시간적 기여를 평가한다.

실험 결과

연구 질문

• RQ1 EMG 기반 해독이 도달 방향과 목표 위치에 대해 어떤 공간 해상도(대상 세분화)를 달성할 수 있는가?
• RQ2 운동 시작 전(Pre-motion)부터 유지(hold) 단계까지 예측 성능은 어떻게 변하는가?
• RQ3 어떤 EMG 채널과 특징이 해독 정확도에 가장 큰 기여를 하며, 축소가 성능에 어떤 영향을 미치는가?
• RQ4 이 작업에 대해 엔지니어링된 EMG 특징에서 CNN이 RF와 비슷하거나 더 우수한 성능을 보이는가?
• RQ5 EMG로부터 대상이 신뢰할 수 있게 예측될 수 있는 가장 이른 시점은 언제인가?

주요 결과

• Random Forest는 25 targets에서 80% 정확도를 달성했고; CNN은 같은 과제에서 75% 정확도를 달성했다.
• 전체 채널/특징을 사용한 기본 RF는 피험자 전체에서 중앙값 75% 정확도를 보였다. 오분류는 인접한 대상 간에 나타나는 경향이 있었다.
• 대상을 12개 또는 13개로 축소하면 피험자 전체에서 중앙값 정확도가 95%로 증가했다.
• 7개 EMG 채널과 8개의 특징, 그리고 7개의 늦은 시간 창과 전체 운동 창의 조합으로 최대 80% 중앙값 정확도를 달성했다.
• 사전 모션 분류 정확도는 25 targets에서 13%, 4클래스(코너 대상) 시나리오에서 64%로, 예비 근육 활동이 대상 정보를 인코딩한다는 것을 나타낸다.
• CNN 변형은 25 targets를 행/열 예측으로 분해할 때 최대 90% 행 정확도와 80% 열 정확도를 보였고; 전체적으로 25 targets에서 CNN 성능은 약 75%를 유지했다.