[论文解读] 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 3

一句话总结

该论文提出了一种基于深度自编码器的深度神经网络（DNN）模型，用于预测点对点抓握运动的肌肉激活轨迹，避免了计算成本高昂的优化方法。该模型在复现逆向动力学和最优控制模拟生成的激活信号方面表现出高精度，表明DNN能够高效地从运动学数据中学习典型的运动模式。

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.

研究动机与目标

• 通过预测抓握运动中一致且典型的肌肉激活模式，解决运动控制中的肌肉冗余问题。
• 开发一种数据驱动的深度学习方法，避免传统基于优化方法的计算负担。
• 评估深度自编码器在复现逆向动力学和最优控制准则生成的肌肉激活轨迹方面的性能。
• 识别用于准确预测肌肉激活的最优网络架构和训练准则。
• 为预测抓握任务中神经肌肉控制提供一种快速、可扩展的替代现有基于模拟的方法。

提出的方法

• 训练一种深度自编码器架构，从运动学和激活数据中学习肌肉激活模式的低维潜在表征。
• 使用通过逆向动力学（ID）和最优控制（OC）模拟生成的运动学轨迹及其对应的肌肉激活数据进行模型训练。
• 编码器将输入运动学映射到紧凑的潜在空间，而解码器则重建完整的肌肉激活轨迹。
• 调整网络超参数（如深度、宽度和激活函数），以最大化预测精度。
• 采用预测肌肉激活信号与真实值之间的均方误差损失进行训练优化。
• 在未见过的模拟抓握运动上评估模型，以评估其泛化能力和精度。

实验结果

研究问题

• RQ1 深度自编码器能否学习到与逆向动力学和最优控制模拟生成的肌肉激活轨迹高度匹配的预测轨迹？
• RQ2 不同网络架构和训练准则下，模型性能如何变化？
• RQ3 DNN在多大程度上能泛化到训练过程中未见过的新抓握运动？
• RQ4 与传统基于优化的方法相比，DNN方法在速度和精度方面表现如何？
• RQ5 潜在空间维度对肌肉激活预测质量有何影响？

主要发现

• 深度自编码器模型在重建肌肉激活轨迹方面表现出高精度，预测误差与或低于传统优化方法的误差。
• 模型在未见抓握运动上泛化良好，表明其成功学习了典型的运动模式。
• 识别出最优的网络深度和宽度，更深的网络在复杂轨迹上表现更优。
• 训练过程中使用均方误差损失显著提高了肌肉激活信号的重建精度。
• 与迭代优化方法相比，DNN方法在计算上更高效，实现了更快的推理速度。
• 该模型成功捕捉到了人类抓握运动中观察到的平滑、典型的激活特征。