⚡ electrical engineering

Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation from Partially Observed sEMG

Dieses Paper schlägt ein neuartiges, voll differenzierbares muskuloskelettales neuronales Netzwerk (MSK-NN) vor, das die Kinematik von Gelenken mit mehreren Freiheitsgraden aus teilweise beobachteter sEMG schätzt, indem es nicht gemessene Muskelaktivierungen durch einen zusammengesetzten Physik-Physiologie-Verlust gleichzeitig inferiert und dabei eine überlegene Genauigkeit sowie physiologische Plausibilität im Vergleich zu bestehenden Deep-Learning-Baselines erreicht, ohne eine direkte biomechanische Überwachung zu erfordern.

Ursprüngliche Autoren: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

Veröffentlicht 2026-06-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der „blinde“ Roboter

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, ein menschliches Handgelenk zu bewegen. Normalerweise würden Sie Sensoren an jeden einzelnen Muskel des Unterarms anbringen, um dem Roboter zu sagen, was er tun soll. Aber in der realen Welt ist das unmöglich. Einige Muskeln liegen zu tief im Arm, sind zu klein oder befinden sich einfach an Stellen, an denen man keinen Sensor anbringen kann, ohne dass er abfällt.

Dies erzeugt einen „blinden Fleck“. Der Roboter sieht nur die Signale von einigen wenigen Muskeln (denen, die er messen kann), muss aber erraten, was die verborgenen Muskeln machen. Wenn der Roboter falsch rät, bewegt sich das Handgelenk vielleicht auf eine Weise, die sich unnatürlich oder physikalisch unmöglich anfühlt – wie eine Marionette mit verhedderten Fäden.

Die Lösung: MSK-NN (Das „kluge Rathe-System“)

Die Autoren entwickelten ein neues Computerprogramm namens MSK-NN. Betrachten Sie es als ein zweiteiliges Team, das zusammenarbeitet, um das Rätsel zu lösen:

Der „Detektiv“ (Das Neuronale Netz): Dieser Teil betrachtet die Signale der Muskeln, die er sehen konnte. Es ist wie ein Detektiv, der Fußabdrücke an einem Tatort untersucht. Er versucht zu erraten, was die verborgenen Muskeln machen, basierend auf den Hinweisen, die er hat.
Der „Physik-Coach“ (Das Muskel-Skelett-Modell): Das ist das Geheimrezept. Anstatt nur zu raten, lässt der Detektiv seine Ideen durch einen strengen „Physik-Coach“ laufen. Dieser Coach kennt die Regeln der menschlichen Anatomie und Physik (wie Muskeln an Knochen ziehen und Gelenke rotieren). Wenn der Detektiv rät, dass ein Muskel so zieht, dass er einen Knochen brechen oder der Schwerkraft widersprechen würde, sagt der Coach: „Nö, versuch es nochmal.“

Wie sie das Team trainieren

Normalerweise muss man, um einem Computer beizubringen, Muskeln zu verstehen, die exakte Kraft kennen, die jeder Muskel erzeugt. Aber diese Kraft in einem lebenden Menschen zu messen, ist unglaublich schwierig und teuer.

Die Autoren umgingen dies, indem sie ein dreiteiliges Regelwerk (eine „Loss Function“) verwendeten, um das System zu trainieren, ohne auf diese schwer zu beschaffenden Kraftmessungen angewiesen zu sein:

Die „Zielpunkt-Bewertung“ (Kinematik-Loss): Hat sich das Handgelenk in den richtigen Winkel bewegt? Wenn die Vermutung des Roboters zu einer falschen Handgelenksposition führt, erhält er einen Punktabzug.
Die „Teamwork-Regel“ (Synergie-Loss): Muskeln arbeiten nicht allein; sie arbeiten in Gruppen (wie eine Rudermannschaft). Das System prüft, ob die sichtbaren Muskeln in einem natürlichen, koordinierten Muster zusammenarbeiten. Wenn sie unkoordiniert agieren, gibt es einen Punktabzug.
Die „Familienähnlichkeits-Regel“ (Trend-Loss): Das ist der clevere Teil für die verborgenen Muskeln. Das System weiß, dass bestimmte tiefliegende Muskeln normalerweise synchron mit spezifischen Oberflächenmuskeln arbeiten. Auch wenn es den tiefen Muskel nicht sehen kann, zwingt es die „Vermutung“ des tiefen Muskels dazu, zeitgleich mit seinem sichtbaren „Cousin“ zu agieren. Wenn sie sich nicht gemeinsam bewegen, gibt es einen Punktabzug.

Das Experiment: Das Handgelenk-Workout

Das Team testete dies an menschlichen Handgelenken. Sie ließen Menschen ihre Handgelenke auf vier Arten bewegen:

Im Uhrzeigersinn kreisen.
Gegen den Uhrzeigersinn kreisen.
Acht-Formen (Figure-8s).
Zufällige, chaotische Bewegungen (der schwierigste Test).

Sie verglichen ihr neues System mit anderen populären KI-Methoden (wie Standard-Neuronalen Netzen oder LSTM-Modellen).

Die Ergebnisse: Warum es gewann

Bessere Genauigkeit: Das MSK-NN-System sagte die Handgelenksbewegung viel genauer voraus als die anderen, insbesondere bei den zufälligen, chaotischen Bewegungen. Die anderen Systeme neigten dazu, verwirrt und zittrig zu werden, wenn die Bewegung keine perfekte Kreisbewegung war.
Die „magische“ Vermutung: Das System wurde an einem spezifischen tiefen Muskel (dem APL) getestet, der dem Computer nie gezeigt wurde. Das System musste dessen Aktivität völlig auf eigene Faust erraten. Als sie die Vermutung des Computers mit dem tatsächlichen Signal des verborgenen Muskels verglichen (den sie nur zur Kontrolle heimlich aufgezeichnet hatten), war die Vermutung bemerkenswert genau. Es bewies, dass das System die unsichtbaren Muskeln „sehen“ kann.
Physikalisch realistisch: Die Zahlen, die das System für Muskelkraft und -länge lieferte, blieben innerhalb der Grenzen, die für einen Menschen biologisch möglich sind. Es erfand keine übermenschlichen Muskeln.

Der „Ablations“-Test (Was passiert, wenn wir Teile entfernen?)

Die Forscher führten ein „Was-wäre-wenn“-Experiment durch. Sie schalteten den Teil des Systems aus, der die verborgenen Muskeln errät.

Ergebnis: Die Genauigkeit sank.
Bedeutung: Dies bewies, dass das Erraten dessen, was die verborgenen Muskeln machen, tatsächlich notwendig ist. Man kann die tiefen Muskeln nicht einfach ignorieren und dennoch erwarten, dass sich das Handgelenk korrekt bewegt.

Das Fazit

Diese Arbeit präsentiert einen neuen Weg, Computer beizubringen, menschliche Bewegungen zu verstehen, wenn sie nicht alle Muskeln sehen können. Durch die Kombination eines klugen KI-Raters mit einem strengen Physik-Coach kann das System vorhersagen, wie sich ein Handgelenk bewegen wird, und sogar die Aktivität von Muskeln „halluzinieren“ (genau erraten), die es nicht sehen kann. Es funktioniert besser als aktuelle Methoden, besonders wenn Bewegungen unvorhersehbar sind, und bleibt den Gesetzen der menschlichen Biologie treu.

Technisches Resümee: Physiologisch beschränktes neuromuskuloskelettales neuronales Netzwerk zur Schätzung der Mehr-DoF-Gelenkkinematik

Problemstellung
Die kontinuierliche Schätzung der Gelenkkinematik auf Basis von Oberflächen-Elektromyographie (sEMG) ist entscheidend für die Rehabilitation, Biomechanik und Mensch-Roboter-Interaktion. Bestehende Ansätze stehen jedoch vor einem Zielkonflikt zwischen Genauigkeit und physiologischer Interpretierbarkeit. Modellfreie, datengesteuerte Methoden (z. B. CNNs, LSTMs) lassen oft die physiologische Konsistenz vermissen und scheitern an der Generalisierung auf Bewegungsmuster mit Geschwindigkeiten oder Amplituden, die während des Trainings nicht präsent waren. Im Gegensatz dazu sind modellbasierte Ansätze, die die neuromuskuloskelettale (MSK) Vorwärtsdynamik explizit darstellen, durch die Modelltreue begrenzt und können nichtmäßig erfasste Muskeln (z. B. tiefe oder kleine Muskeln, die für Sensoren unzugänglich sind) nicht berücksichtigen. Darüber hinaus erfordern bestehende hybride Frameworks oft teure biomechanische Labels (z. B. Muskel-Sehnen-Kräfte oder Gelenkmomente) zur Überwachung oder setzen eine strikte Eins-zu-eins-Zuordnung zwischen sEMG-Kanälen und den modellierten Muskeln voraus, was ungemessene, aufgabenrelevante Muskeln ausschließt und zu einer physiologisch unplausiblen Kraftverteilung führt.

Dieses Paper adressiert die Herausforderung der Schätzung der Mehr-Freiheitsgrad (DoF)-Gelenkkinematik unter teilweise beobachtbarem sEMG, bei dem eine Teilmenge der aufgabenrelevanten Muskeln aufgrund anatomischer Einschränkungen oder Sensorlimitierungen nicht gemessen werden kann.

Methodik
Die Autoren schlagen ein Musculoskeletal Neural Network (MSK-NN) vor, eine voll differenzierbare Architektur, die einen datengesteuerten Aktivitätsschätzer mit einem eingebetteten MSK-Vorwärtsdynamikmodul integriert.

Architektur:
- Muskelaktivitäts-Schätzer: Ein leichtgewichtiges Convolutional Neural Network (CNN) Encoder verarbeitet vorverarbeitete sEMG-Hüllkurven der gemessenen Muskeln. Im Gegensatz zu herkömmlichen Ansätzen schätzt dieser Encoder die Aktivierungen sowohl für die gemessenen als auch für die ungemessenen (latenten) Muskeln gemeinsam.
- Eingebettete MSK-Vorwärtsdynamik: Die geschätzten Aktivierungen werden durch ein Hill-basiertes Muskel-Sehnen-Dynamikmodell propagiert, um Muskelkräfte zu generieren. Diese Kräfte werden über Hebelarme auf Gelenkmomente abgebildet und innerhalb eines subjekt-spezifischen Gelenkdynamikmodells (Trägheit, Gravitation und Dämpfung) integriert, um Mehr-DoF-Gelenkwinkel vorherzusagen.
Training und Verlustfunktion:
Das Netzwerk wird End-to-End trainiert, ohne direkte Überwachung interner biomechanischer Variablen (z. B. Kräfte oder Momente). Stattdessen wurde eine zusammengesetzte Physics-Physiology Loss entwickelt, um den Lösungsraum zu beschränken:
- Gelenkkinematik-Verlust ( $L_{traj}$ ): Bestraft Diskrepanzen zwischen vorhergesagten und Ground-Truth-Gelenkwinkeln sowie Winkelgeschwindigkeiten.
- Muskel-Synergie-Verlust ( $L_{syn}$ ): Verwendet mittels Non-Negative Matrix Factorization (NMF) aus den Trainingsdaten gewonnene Synergien, um die Aktivierungen der gemessenen Muskeln in einen physiologisch plausiblen Koordinationssubraum zu zwingen.
- Anatomie-gesteuerter Trend-Verlust ( $L_{trd}$ ): Fördert die zeitliche Koordination zwischen ungemessenen Muskeln und funktionell verwandten gemessenen Muskeln. Dieser Verlust minimiert die Unterschiede in den Aktivierungstrends (zeitliche Ableitungen) zwischen gepaarten Muskeln und überträgt so die Koordinationsstruktur von beobachteten auf unbeobachtete Muskeln.
Optimierung:
Sowohl die Gewichte des CNN-Encoders als auch die Parameter der Hill-basierten Muskel-Sehnen-Dynamik (z. B. optimale Faserlänge, maximale isometrische Kraft) werden simultan via Backpropagation optimiert, was eine subjekt-spezifische Personalisierung des MSK-Modells ermöglicht.

Zentrale Beiträge

Neuartiges Framework: Einführung von MSK-NN, das Mehr-DoF-Kinematik schätzt und gleichzeitig physiologisch plausible Aktivierungen für sowohl gemessene als auch ungemessene Muskeln inferiert, ohne eine Eins-zu-eins-Zuordnung zwischen sEMG und Muskel erforderlich zu machen.
Überwachungsfreie interne Variablen: Die Methode erreicht eine hohe kinematische Genauigkeit ohne die Notwendigkeit teurer biomechanischer Labels (Kräfte/Momente) für das Training, indem sie stattdessen auf eine zusammengesetzte Verlustfunktion setzt, die physikalische und physiologische Konsistenz erzwingt.
Umgang mit teilweiser Beobachtbarkeit: Das Framework modelliert explizit ungemessene Muskeln (z. B. tiefe Muskeln wie den Abductor Pollicis Longus) und inferiert deren Aktivierungen, wodurch das Problem der „unvollständigen Muskelsteuerung“ adressiert wird, das bei traditionellen modellbasierten Ansätzen häufig auftritt.

Experimentelle Ergebnisse
Die Methode wurde an der Zwei-DoF-Handgelenkkinematik (Flexion/Extension und Radial-/Ulnardeviation) unter Verwendung von Daten von sechs gesunden Probanden evaluiert, die vier Bewegungstypen ausführten: Clockwise (CW), Counter-Clockwise (CCW), Figure-8 ( $\infty$ -förmig) und Random (RND).

Kinematische Genauigkeit: MSK-NN übertraf State-of-the-Art-Baselines (CNN, Bi-LSTM, CNN-LSTM und Parallel Efficient Transformer (PET)) in Bezug auf den Normalized Root Mean Square Error (NRMSE) und das Bestimmtheitsmaß ( $R^2$ ). Die Leistungsdifferenz war in der Random Motion (RND) Bedingung am signifikantesten, was eine überlegene Generalisierbarkeit auf ungesehene Bewegungsmuster demonstriert.
Physiologische Plausibilität: Die geschätzte Aktivierung eines input-exkludierten Muskels (ECRB) zeigte eine starke zeitliche Übereinstimmung (hohe Pearson- und Spearman-Korrelationskoeffizienten) mit seiner aufgezeichneten sEMG-Hüllkurve, was die Fähigkeit des Netzwerks validiert, latente Aktivierungen zu inferieren.
Parameter-Validität: Die optimierten MSK-Parameter blieben innerhalb etablierter physiologischer Grenzen, was die Fähigkeit des Modells bestätigt, subjekt-spezifische Dynamiken zu lernen, ohne biomechanische Randbedingungen zu verletzen.
Ablationsstudie: Die progressive Entfernung ungemessener Muskeln (APL und ECRB) aus dem Modell führte zu einer signifikanten Leistungsverschlechterung, insbesondere im RUD-DoF und bei komplexen Bewegungen, was die kritische Rolle der Modellierung unbeobachteter Muskeln bestätigt.

Bedeutung und Ansprüche
Das Paper behauptet, dass MSK-NN eine robuste Lösung für die Schätzung der Gelenkkinematik unter Bedingungen spärlicher Sensorik bietet. Durch die direkte Einbettung der Physik in die Netzwerkarchitektur und die Nutzung einer zusammengesetzten Verlustfunktion erreicht die Methode ein Gleichgewicht zwischen der Genauigkeit datengesteuerter Modelle und der Interpretierbarkeit modellbasierter Ansätze.

Entscheidend ist, dass die Autoren feststellen, dass MSK-NN:

Besser generalisiert auf zufällige, unbeschränkte Bewegungen im Vergleich zu bestehenden hybriden und datengesteuerten Baselines.
Physiologisch plausible Aktivierungen rekonstruiert, die für Muskeln nicht vorhanden sind, die im Input enthalten sind, und damit das unterdeterminierte Problem der partiellen sEMG-Beobachtung effektiv löst.
Als allgemeines Template dient, um die Kopplung von datengesteuerter Schätzung mit physiologisch beschränkter Dynamik zu unterstützen, was potenziell Studien zur neuromuskulären Kontrolle unter ungesehenen Bewegungen unterstützt und interpretierbare Zwischenvariablen für wissenschaftliche und technische Anwendungen bereitstellt.

Die Autoren merken bescheiden an, dass das Framework zwar für die Echtzeit-Ausführung (ca. 2,65 ms pro Schritt) rechentechnisch machbar ist, sein primärer Beitrag jedoch im architektonischen Design und der demonstrierten Fähigkeit liegt, latente physiologische Zustände ohne direkte Überwachung zu inferieren.