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

Sintesi Tecnica: Rete Neurale Muscoloscheletrica con Vincoli Fisiologici per la Stima della Cinematica Articolare Multi-DoF

Definizione del Problema
La stima continua della cinematica articolare basata sull'elettromiografia di superficie (sEMG) è fondamentale per la riabilitazione, la biomeccanica e l'interazione uomo-robot. Tuttavia, gli approcci esistenti affrontano un compromesso tra accuratezza e interpretabilità fisiologica. I metodi data-driven privi di modello (ad es., CNN, LSTM) spesso mancano di coerenza fisiologica e non riescono a generalizzare su pattern di movimento con velocità o ampiezze non viste durante l'addestramento. Al contrario, gli approcci basati su modelli rappresentano esplicitamente la dinamica forward muscoloscheletrica (MSK), ma sono limitati dalla fedeltà del modello e dall'incapacità di tenere conto dei muscoli non misurati (ad es., muscoli profondi o piccoli inaccessibili ai sensori). Inoltre, gli attuali framework ibridi richiedono spesso etichette biomeccaniche costose (ad es., forze muscolo-tendinee o coppie articolari) per la supervisione o assumono una mappatura rigorosa uno-a-uno tra i canali sEMG e i muscoli modellati, il che esclude i muscoli rilevanti per il compito non misurati e porta a una distribuzione delle forze fisiologicamente implausibile.

Questo articolo affronta la sfida di stimare la cinematica articolare a più gradi di libertà (DoF) sotto una condizione di sEMG parzialmente osservata, dove un sottoinsieme di muscoli rilevanti per il compito non può essere misurato a causa di vincoli anatomici o limitazioni dei sensori.

Metodologia
Gli autori propongono una Rete Neurale Muscoloscheletrica (MSK-NN), un'architettura completamente differenziabile che integra un estimatore di attivazione data-driven con un modulo di dinamica forward MSK incorporato.

1. Architettura:

   • Estimatore di Attivazione Muscolare: Un encoder a rete neurale convoluzionale (CNN) leggero elabora gli inviluppi sEMG pre-elaborati dei muscoli misurati. A differenza degli approcci convenzionali, questo encoder stima congiuntamente le attivazioni sia per i muscoli misurati che per quelli non misurati (latenti).
   • Dinamica Forward MSK Incorporata: Le attivazioni stimate vengono propagate attraverso un modello di dinamica muscolo-tendineaa base Hill per generare le forze muscolari. Queste forze vengono mappate in coppie articolari tramite bracci di leva e integrate all'interno di un modello di dinamica articolare specifico per il soggetto (inerzia, gravità e smorzamento) per predire gli angoli articolari multi-DoF.

2. Addestramento e Funzione di Perdita:
   La rete viene addestrata end-to-end senza la supervisione diretta delle variabili biomeccaniche interne (ad es., forze o coppie). Invezione, viene progettata una Perdita Fisica-Fisiologica composita per vincolare lo spazio delle soluzioni:

   • Perdita di Cinematica Articolare ($L_{traj}$): Penalizza le discrepanze tra gli angoli articolari e le velocità angolari predetti e quelli reali (ground-truth).
   • Perdita di Sinergia Muscolare ($L_{syn}$): Utilizza la Fattorizzazione di Matrice Non Negativa (NMF) derivata dai dati di addestramento per vincolare le attivazioni dei muscoli misurati affinché risiedano in un sottospazio di coordinazione fisiologicamente plausibile.
   • Perdita di Tendenza Guidata dall'Anatomia ($L_{trd}$): Incoraggia la coordinazione temporale tra i muscoli non misurati e i musoli misurati funzionalmente correlati. Questa perdita minimizza la differenza nelle tendenze di attivazione (derivate temporali) tra muscoli accoppiati, trasferendo la struttura di coordinazione dai muscoli osservati a quelli non osservati.

3. Ottimizzazione:
   Sia i pesi dell'encoder CNN che i parametri della dinamica muscolo-tendinea a base Hill (ad es., lunghezza ottimale delle fibre, forza isometrica massima) vengono ottimizzati simultaneamente tramite backpropagation, permettendo la personalizzazione del modello MSK specifica per il soggetto.

Contributi Chiave

• Framework Innovativo: Introduzione di MSK-NN, che stima la cinematica multi-DoF inferendo al contempo attivazioni fisiologicamente plausibili per muscoli sia misurati che non misurati, senza richiedere una mappatura sEMG-muscolo uno-a-uno.
• Variabili Interne Senza Supervisione: Il metodo raggiunge un'elevata accuratezza cinematica senza richiedere etichette biomeccaniche costose (forze/coppie) per l'addestramento, affidandosi invece a una funzione di perdita composita che impone coerenza fisica e fisiologica.
• Gestione della Parziale Osservabilità: Il framework modella esplicitamente i muscoli non misurati (ad es., muscoli profondi come l'Abductor Pollicis Longus) e ne inferisce le attivazioni, affrontando il problema dell' "incompletezza della guida muscolare" comune negli approcci tradizionali basati su modelli.

Risultati Sperimentali
Il metodo è stato valutato sulla cinematica del polso a due DoF (Flessione/Estensione e Deviazione Radiale/Ulnare) utilizzando dati di sei soggetti sani che eseguivano quattro tipi di movimento: Orario (CW), Antiorario (CCW), Figura a otto ($\infty$) e Casuale (RND).

• Accuratezza Cinematica: MSK-NN ha superato i baseline allo stato dell'arte (CNN, Bi-LSTM, CNN-LSTM e Parallel Efficient Transformer (PET)) in termini di Errore Quadratico Medio Normalizzato (NRMSE) e Coefficiente di Determinazione ($R^2$). Il divario di prestazione è stato più significativo nella condizione di Movimento Casuale (RND), dimostrando una superiore capacità di generalizzazione a pattern di movimento non visti.
• Plausibilità Fisiologica: L'attivazione stimata di un muscolo escluso dall'input (ECRB) ha mostrato un forte accordo temporale (alti coefficienti di correlazione di Pearson e Spearman) con l'inviluppo sEMG registrato, validando la capacità della rete di inferire attivazioni latenti.
• Validità dei Parametri: I parametri MSK ottimizzati sono rimasti entro i limiti fisiologici stabiliti, confermando la capacità del modello di apprendere la dinamica specifica del soggetto senza violare i vincoli biomeccanici.
• Studio di Ablazione: La rimozione progressiva dei muscoli non misurati (APL e ECRB) dal modello ha portato a una significativa degradazione delle prestazioni, particolarmente nel DoF RUD e nei movimenti complessi, confermando il ruolo critico della modellazione dei muscoli non osservati.

Significatività e Rivendicazioni
L'articolo sostiene che MSK-NN fornisca una soluzione robusta per la stima della cinematica articolare in condizioni di sensing rado. Incorporando la fisica direttamente nell'architettura della rete e utilizzando una funzione di perdita composita, il metodo raggiunge un equilibrio tra l'accuratezza dei modelli data-driven e l'interpretabilità degli approcci basati su modelli.

Fondamentalmente, gli autori affermano che MSK-NN:

1. Generalizza meglio ai movimenti casuali e non vincolati rispetto agli esistenti baseline ibridi e data-driven.
2. Recupera attivazioni fisiologicamente plausibili per muscoli non presenti nell'input, risolvendo efficacemente la natura sottodeterminata dell'osservazione sEMG parziale.
3. Offre un template generale per accoppiare la stima data-driven con la dinamica vincolata fisiologicamente, supportando potenzialmente studi sul controllo neuromuscolare sotto movimenti non visti e fornendo variabili intermedie interpretabili per applicazioni scientifiche e ingegneristiche.

Gli autori notano con modestia che, sebbene il framework sia computazionalmente fattibile per l'esecuzione in tempo reale (circa 2,65 ms per step), il loro contributo primario risiede nel design dell'architettura e nella dimostrata capacità di inferire stati fisiologici latenti senza supervisione diretta.