[論文レビュー] The Spatial and Temporal Resolution of Motor Intention in Multi-Target Prediction

Marie Dominique Schmidt, Ioannis Iossifidis|arXiv (Cornell University)|Mar 5, 2026

Muscle activation and electromyography studies被引用数 0

ひとこと要約

研究は遅延到達課題中の多チャネルEMGから上肢運動意図をデコードし、RFとCNNを用いて25の空間ターゲットを予測。意図の空間的/時間的解像度を分析。

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.

研究の動機と目的

• EMGが穏やかに空間的に正確な場合、到達方向とターゲット位置を予測できるかを調査する。
• 運動前の計画段階から接触後の保持段階まで、予測精度がどう進化するかを確認する。
• EMGチャネル選択と時間窓化がデコード性能に与える影響を評価する。
• EMGベースの意図デコードにおいて、従来の機械学習（Random Forest）と深層学習（CNN）アプローチを比較する。
• リハビリテーションおよび支援デバイスの予測制御における臨床的含意を評価する。

提案手法

• VRで遅延到達課題を実施し、MVC正規化付きの多チャネルEMG（10筋）を記録する。
• EMG窓から28種の時間・周波数・時間-周波数領域特徴を抽出する。
• クロスバリデーションされた被験者特異モデルを用いてRandom Forest分類器を訓練し、Optunaでハイパーパラメータを最適化する。
• ターゲットを分類する1D CNNアーキテクチャ（3層の畳み込み、バッチ正規化、ReLU、プーリング、グローバルプーリング、2層の全結合）を開発する。
• 情報量の少ないサブセットを特定するためのチャネル削減と特徴削減分析を実施する。
• 動作を約200 msの8区間に分割し、パーミュテーション重要度を用いて時間的寄与を評価する。

実験結果

リサーチクエスチョン

• RQ1 EMGベースのデコードが到達方向とターゲット位置に対してどの程度の空間分解能を達成できるか？
• RQ2 運動開始前から保持相までの予測性能はどのように進化するか？
• RQ3 デコード精度に最も寄与するEMGチャネルと特徴はどれで、それらの削減は性能にどう影響するか？
• RQ4 このタスクに対して、 engineered EMG features に対するCNNはRFと同等か、それとも優れているか？
• RQ5 EMGからターゲットを信頼性高く予測できる最も早い時点はいつか？

主な発見

• Random Forestは25ターゲットで80%の精度を達成；同じタスクでCNNは75%の精度を達成。
• 全チャネル/特徴を用いたベースラインRFは，被験者間で中央値75%の精度を示した。誤分類は隣接ターゲット間に偏る傾向。
• ターゲットを12または13に削減すると、被験者間で中央値の精度が95%に向上。
• 7チャネルのEMGと8特徴量、7つの後半の時系列窓と全動作窓の組み合わせで最大80%の中央値精度を達成。
• 動作前の分類精度は25ターゲットで13%、4クラス（コーナーターゲット）では64%であり、準備筋活動がターゲット情報を符号化していることを示唆。
• CNNのバリアントは、25ターゲットを行/列予測に分解した場合、行精度で最大90%、列精度で最大80%を示したが、全体のパフォーマンスは25ターゲットで約75%のままであった。