技術概要：GigaFlex

問題定義

本論文は、接触型センサーに依存せずに運動中の筋状態、特に筋力発揮レベルと疲労を監視するという課題に取り組んでいる。筋疲労と力出力の定量化を行う既存の方法（筋電図（EMG）、加速度計による機械筋図（MMG）、または侵襲的な針など）は、長期装着において不快感を伴うことが多く、日常的な環境での使用が困難であるか、あるいは精密なアライメントを必要とする。非接触レーダーは心拍や呼吸などの周期的なバイタルサインの検出には成功しているが、筋監視への効果的な適用はなされてこなかった。これは、筋振動が本質的に異なり、非周期的、広帯域、非線形であり、運動単位の非同期な発火に起因するためである。これらの特性により筋信号は確率的でノイズの多いように見え、従来の時間周波数フィルタリングや線形モデルでは、筋活動を身体運動や環境ノイズから区別することが不可能となる。

手法：GigaFlex アーキテクチャ

GigaFlex は、一見確率的に見える筋振動内の決定論的パターンをモデル化するためのカオスに着想を得た処理パイプラインを導入するミリ波（mmWave）レーダーシステムである。このシステムは以下の 3 つの中核段階を通じて動作する。

1. カオスに着想を得た空間的局所化

従来のレーダー局所化（定常偽警報率（CFAR）など）は信号電力に依存しており、これでは膝の動きなどの身体運動や環境反射から微妙な筋振動を区別できないことが多い。

• アプローチ: システムは階層的な 2 段階パイプラインを採用する。
  • ステージ 1: CFAR を粗粒度のフィルタとして使用し、関心領域を特定する。
  • ステージ 2: 情報量論的「篩（ふるい）」を適用する。筋振動が特定の非線形カオスダイナミクスを示すという事実を利用し、各レンジ・角度ビンにおける信号の**サンプルエントロピー（ENTR）**を計算する。筋領域は、線形ノイズや静的反射とは異なるエントロピープロファイルを示す。エントロピー分散の上位 5% 以内で信号強度が最も高いビンを、関心筋領域として選択する。

2. カオス駆動の時間的セグメンテーション

動的な運動（例えば、二頭筋カール）中、四肢の運動は空間的にも周波数的にも筋振動と重なるノイズを生み出す。目的は、筋の活性化と力発生が最も高まる**求心相（挙上相）**を分離することである。

• アプローチ: 限られたデータによる過学習のリスクがあるエンドツーエンドのセグメンテーションのためにニューラルネットワークのみに依存するのではなく、システムはカオス理論からの指標である**決定性（DET）**を使用する。
• メカニズム: 時間遅延埋め込みを用いてシステムの状態空間を再構成し、再帰行列を計算することで、信号の予測可能性を定量化する。求心相における筋振動は高い決定性を示すのに対し、姿勢制御、振戦、ランダムな運動は低い決定性を示す。この指標は、下流のニューラルネットワークが関連する信号セグメントに焦点を当てるよう導く。

3. カオスに基づく筋状態学習

異なるユーザーの生理学的特性（筋量、脂肪の厚さ、生体力学）にわたって力を推定し、疲労を検出するために、システムは双モデルアプローチを採用する。

• 力推定: U-Net に着想を得たニューラルネットワークが、生の I/Q レーダー信号を処理する。これには以下の要素が含まれる。
  • 空間的集約: 振動のリップルを捉えるために隣接する空間ビンをプーリングする。
  • 人口統計学的埋め込み: 被験者間のばらつきを処理するために、ユーザー属性（BMI、年齢、性別）を符号化する。
  • ファウショット較正: ユーザーが特定の収縮レベルを実行してモデルを特定の生理学的特性に微調整する、迅速な較正プロセス（16 秒未満）。
• 疲労検出: ロジスティック回帰モデルが、振幅変動に対して不変であるカオス特徴（エントロピー、垂直線エントロピー、トレンド除去揺らぎ分析のスケーリング指数）を利用する。これらの特徴は、疲労の進行に伴う筋活性化における長距離相関の劣化を捉える。

主要な貢献

1. 筋出力のための初の非接触レーダーシステム: GigaFlex は、身体装着型タグなしで mmWave レーダーを用いて、静的（等尺性）および動的（等張性）の両方の運動中に筋力を推定し、疲労を検出する初のシステムである。
2. カオス理論の統合: 本論文は、筋振動の非周期的かつ非線形的な性質を解決するために、カオス理論と非線形ダイナミクス（特に再帰プロット、エントロピー、決定性）をレーダーセンシング領域に初めて適応させたものである。
3. 堅牢な学習パイプライン: ファウショット較正プロトコルと人口統計学的埋め込みの導入により、システムは最小限のセットアップ時間で多様なユーザーに一般化することを可能にする。

実験結果

このシステムは、静的な肘屈曲と動的な二頭筋カールを含む23 名の参加者による IRB 承認研究において評価された。

• 力推定（等尺性）: GigaFlex は、最大随意等尺性収縮（MVIC）を根二乗平均誤差（RMSE）**5.9%**で推定した。この性能は、接触型 IMU ベースライン（RMSE 6.0%）と同等である。
• 力推定（等張性）: 動的な二頭筋カールにおいて、システムは軽度と重度の努力を分類するための曲線下面積（AUC）0.74を達成し、IMU ベースライン（AUC 0.75）と同等であった。
• 疲労検出:
  • 等尺性疲労: AUC 0.77を達成し、ウェアラブル IMU ベースライン（AUC 0.63）を上回った。
  • 残存反復数（RIR）: システムは、1-RIR（限界に近い）を AUC 0.86で、3-RIRを AUC 0.83で検出し、それぞれ IMU ベースライン（0.73 および 0.72）を大幅に上回った。
• 安定性: 9 名の参加者において 3 週間にわたってパフォーマンスは一貫しており、セッション間での MVIC 誤差変動は 0.2% 未満であった。

意義と主張

本論文は、GigaFlex により、過剰な疲労を防ぐことで怪我のリスクを最小化しつつ、ユーザーがトレーニングの効果を最適化するためのタイムリーかつ定量的なフィードバックが可能になると主張している。筋振動をランダムノイズではなく決定論的カオス系として成功裡にモデル化することにより、著者らは、レーダーが周期的なバイタルサインを超えて、複雑で非周期的なバイオシグナルを捉えることができることを実証している。

著者らは、この研究を非侵襲的生理センシングへの基礎的なステップとして位置づけている。現在の研究は制御された実験室環境と特定の運動（肘屈曲と二頭筋カール）に限定されているが、この手法は、ウェアラブルセンサーの不快感なしに筋リハビリの監視や怪我からの回復における非対称性の追跡に対する新たな機会を開くものとしている。論文は控えめなトーンを維持しており、複雑な多筋・高移動性シナリオ（ランニングなど）へのスケーリングは将来の課題であると認めている。