⚡ electrical engineering

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

Dit artikel stelt een nieuw, volledig differentieerbaar Musculoskelet Neuraal Netwerk (MSK-NN) voor dat de kinematica van gewrichten met meerdere vrijheidsgraden schat uit gedeeltelijk geobserveerde sEMG door simultaan niet-gemeten spieractivaties af te leiden via een composiet fysica-fysiologie verliesfunctie, waarmee een superieure nauwkeurigheid en fysiologische plausibiliteit wordt bereikt vergeleken met bestaande deep learning-baselines zonder dat directe biomechanische supervisie vereist is.

Oorspronkelijke auteurs: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

Gepubliceerd 2026-06-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Blinde" Robot

Stel je voor dat je een robot probeert te leren hoe hij een menselijke pols moet bewegen. Normaal gesproken zou je sensoren op elke individuele spier in de onderarm plaatsen om de robot te vertellen wat hij moet doen. Maar in de echte wereld is dat onmogelijk. Sommige spieren zitten te diep in de arm, zijn te klein, of bevinden zich simpelweg op plekken waar je geen sensor kunt plakken zonder dat deze eraf valt.

Dit creëert een "blind spot" (blinde vlek). De robot ziet alleen de signalen van de spieren die hij wel kan meten, maar moet raden wat de verborgen spieren doen. Als de robot het fout raadt, beweegt de pols misschien op een manier die onnatuurlijk of fysiek onmogelijk aanvoelt, zoals een pop met verstrengelde touwtjes.

De Oplossing: MSK-NN (Het "Slimme Raad-Systeem")

De auteurs hebben een nieuw computerprogramma gemaakt genaamd MSK-NN. Zie dit als een tweeledig team dat samenwerkt om het puzzel op te lossen:

De "Detective" (Het Neuraal Netwerk): Dit deel kijkt naar de signalen van de spieren die het wel kan zien. Het is als een detective die naar voetsporen op een plaats delict kijkt. Het probeert te raden wat de verborgen spieren doen op basis van de aanwijzingen die het heeft.
De "Fysica-Coach" (Het Musculoskeletale Model): Dit is het geheime ingrediënt. In plaats van alleen maar te gokken, laat de Detective zijn ideeën door een strikte "Fysica-Coach" lopen. Deze Coach kent de regels van de menselijke anatomie en fysica (zoals hoe spieren aan botten trekken en hoe gewrichten draaien). Als de Detective raadt dat een spier op een manier trekt die een bot zou breken of de zwaartekracht zou tarten, zegt de Coach: "Nee, probeer het opnieuw."

Hoe ze het Team trainen

Normaal gesproken heb je om een computer te leren de spieren te begrijpen, de exacte kracht nodig die elke spier genereert. Maar het meten van die kracht binnen een levend mens is extreem moeilijk en duur.

De auteurs omzeilden dit door een regelboek met drie delen (een "loss function") te gebruiken om het systeem te trainen zonder die moeilijk verkrijgbare krachtmetingen nodig te hebben:

De "Doelscore" (Kinematica Loss): Bewoog de pols naar de juiste hoek? Als de gok van de robot resulteert in de verkeerde polshouding, krijgt het een strafpunt.
De "Teamwork-regel" (Synergie Loss): Spieren werken niet alleen; ze werken in groepen (zoals een roeiteam). Het systeem controleert of de zichtbare spieren samenwerken in een natuurlijk, gecoördineerd patroon. Als ze op een vreemde, ongecoördineerde manier handelen, krijgt het een strafpunt.
De "Familiegelijkenis"-regel (Trend Loss): Dit is het slimme deel voor de verborgen spieren. Het systeem weet dat bepaalde diepe spieren meestal synchroon werken met specifieke oppervlakkige spieren. Hoewel het de diepe spier niet kan zien, dwingt het de "gok" van de diepe spier om tegelijkertijd te bewegen met zijn zichtbare "neef". Als ze niet samen bewegen, krijgt het een strafpunt.

Het Experiment: De Pols Workout

Het team testte dit op menselijke polsen. Ze vroegen mensen om hun polsen op vier manieren te bewegen:

Met de klok mee draaiende cirkels.
Tegen de klok in draaiende cirkels.
Figuur-8-bewegingen.
Willekeurige, chaotische bewegingen (de moeilijkste test).

Ze vergeleken hun nieuwe systeem met andere populaire AI-methoden (zoals standaard neurale netwerken of LSTM-modellen).

De Resultaten: Waarom het won

Betere Nauwkeurigheid: Het MSK-NN-systeem voorspelde de polsbeweging veel nauwkeuriger dan de anderen, vooral tijdens de willekeurige, chaotische bewegingen. De andere systemen raakden de kluts kwijt en werden schokkerig wanneer de beweging geen perfecte cirkel was.
De "Magische" Gok: Het systeem werd getest op een specifieke diepe spier (de APL genoemd) die nooit aan de computer is getoond. Het systeem moest de activiteit ervan volledig zelfstandig raden. Toen ze de gok van de computer vergeleken met het werkelijke signaal van de verborgen spier (dat ze geheim hadden opgenomen enkel voor controle), was de gok opmerkelijk accuraat. Het bewees dat het systeem de onzichtbare spieren kon "zien".
Fysiek Realistisch: De getallen die het systeem produceerde voor spiersterkte en -lengte bleven binnen de grenzen van wat biologisch mogelijk is voor een mens. Het bedacht geen supermenselijke spieren.

De "Ablatie"-test (Wat gebeurt er als we onderdelen verwijderen?)

De onderzoekers deden een "wat als"-experiment. Ze zetten het deel van het systeem uit dat de verborgen spieren probeert te raden.

Resultaat: De nauwkeurigheid daalde.
Betekenis: Dit bewees dat het raden van wat de verborgen spieren doen daadwerkelijk noodzakelijk is. Je kunt de diepe spieren niet simpelweg negeren en verwachten dat de pols correct beweegt.

De Kernboodschap

Dit artikel presenteert een nieuwe manier om computers te leren menselijke bewegingen te begrijpen wanneer ze niet alle spieren kunnen zien. Door een slimme AI-rader te combineren met een strikte fysica-coach, kan het systeem voorspellen hoe een pols zal bewegen en zelfs de activiteit van spieren die het niet kan zien "hallucineren" (accuraat raden). Het werkt beter dan huidige methoden, vooral wanneer bewegingen onvoorspelbaar zijn, en het blijft trouw aan de wetten van de menselijke biologie.

Technische Samenvatting: Fysiologisch Beperkt Musculoskeletaal Neuraal Netwerk voor Multi-DoF Gewrichtskinetica-schatting

Probleemstelling
Continue gewrichtskinetica-schatting op basis van oppervlakte-elektromyografie (sEMG) is cruciaal voor revalidatie, biomechanica en mens-robotinteractie. Bestaande benaderingen kampen echter met een afruil tussen nauwkeurigheid en fysiologische interpreteerbaarheid. Modelloze, op data gebaseerde methoden (bijv. CNN's, LSTM's) missen vaak fysiologische consistentie en slagen er niet in te generaliseren naar bewegingspatronen met snelheden of amplitudes die niet tijdens de training zijn gezien. Omgekeerd worden modelgebaseerde benaderingen, die expliciet de musculoskeletale (MSK) voorwaartse dynamica representeren, beperkt door de modelgetrouwheid en het onvermogen om niet-gemeten spieren (bijv. diepe of kleine spieren die ontoegankelijk zijn voor sensoren) te verklaren. Bovits vereisen bestaande hybride frameworks vaak dure biomechanische labels (bijv. spier-pees krachten of gewrichtsmomenten) voor supervisie of gaan uit van een strikte één-op-één koppeling tussen sEMG-kanalen en gemodelleerde spieren, wat ongemeten taakrelevante spieren uitsluit en leidt tot fysiologisch onwaarschijnlijke krachtverdeling.

Dit artikel adresseert de uitdaging van het schatten van multi-degree-of-freedom (DoF) gewrichtskinetica onder gedeeltelijk geobserveerde sEMG, waarbij een deel van de taakrelevante spieren niet gemeten kan worden vanwege anatomische beperkingen of sensorbeperkingen.

Methodologie
De auteurs stellen een Musculoskeletal Neural Network (MSK-NN) voor, een volledig differentieerbare architectuur die een data-gestuurde activatieschatter integreert met een ingebedde MSK-voorwaartse dynamica module.

Architectuur:
- Spieractivatieschatter: Een lichtgewicht Convolutional Neural Network (CNN) encoder verwerkt voorbewerkte sEMG-enveloppen van gemeten spieren. In tegen tegenstelling tot conventionele benaderingen, schat deze encoder gezamenlijk de activaties voor zowel de gemeten als de ongemeten (latente) spieren.
- Ingebedde MSK Voorwaartse Dynamica: De geschatte activaties worden gepropageerd door een Hill-gebaseerd spier-pees dynamica model om spierkrachten te genereren. Deze krachten worden via momentarmen gekoppeld aan gewrichtsmomenten en geïntegreerd binnen een subject-specifiek gewrichtsdynamica model (traagheid, zwaartekracht en demping) om multi-DoF gewrichtshoeken te voorspellen.
Training en Verliesfunctie:
Het netwerk wordt end-to-end getraind zonder directe supervisie van interne biomechanische variabelen (bijv. krachten of momenten). In plaats daarvan is een samengestelde Physics-Physiology Loss ontworpen om de oplossingsruimte te beperken:
- Gewrichtskinetica Verlies ( $L_{traj}$ ): Bestraft discrepanties tussen voorspelde en grondwaarheid gewrichtshoeken en hoeksnelheden.
- Spier Synergie Verlies ( $L_{syn}$ ): Gebruikt Non-Negative Matrix Factorization (NMF) afgeleid van de trainingsdata om de activaties van gemeten spieren te beperken tot een fysiologisch plausibele coördinatieruimte.
- Anatomie-gestuurde Trend Verlies ( $L_{trd}$ ): Stimuleert temporele coördinatie tussen ongemeten spieren en functioneel gerelateerde gemeten spieren. Deze verliesfunctie minimaliseert het verschil in activatietrends (temporele derivaten) tussen gekoppelde spieren, waardoor de coördinatiestructuur van geobserveerde naar ongeobserveerde spieren wordt overgedragen.
Optimalisatie:
Zowel de gewichten van de CNN-encoder als de parameters van de Hill-gebaseerde spier-pees dynamica (bijv. optimale vezellengte, maximale isometrische kracht) worden simultaan geoptimaliseerd via backpropagation, wat subject-specifieke personalisatie van het MSK-model mogelijk maakt.

Belangrijkste Bijdragen

Nieuw Framework: Introductie van MSK-NN, dat multi-DoF kinetica schat terwijl het fysiologisch plausibele activaties voor zowel gemeten als ongemeten spieren afleidt zonder een één-op-één sEMG-naar-spier mapping te vereisen.
Supervisievrije Interne Variabelen: De methode bereikt een hoge kinematische nauwkeurigheid zonder dat daarvoor dure biomechanische labels (krachten/momenten) nodig zijn voor training, door te vertrouwen op een samengestelde verliesfunctie die fysieke en fysiologische consistentie afdwingt.
Omgang met Gedeeltelijke Observabiliteit: Het framework modelleert expliciet ongemeten spieren (bijv. diepe spieren zoals de Abductor Pollicis Longus) en leidt hun activaties af, waarmee het probleem van de "onvolledige spier-drive" wordt aangepakt dat gebruikelijk is bij traditionele modelgebaseerde benaderingen.

Experimentele Resultaten
De methode werd geëvalueerd op twee-DoF polskinetica (Flexie/Extensie en Radiale/Ulnaire Deviatie) met gegevens van zes gezonde proefpersonen die vier soorten bewegingen uitvoerden: Kloksgewijze (CW), Tegenkloksgewijze (CCW), Figuur-8 ( $\infty$ -vormig) en Willekeurige (RND) bewegingen.

Kinematische Nauwkeurigheid: MSK-NN presteerde beter dan state-of-the-art baselines (CNN, Bi-LSTM, CNN-LSTM en Parallel Efficient Transformer (PET)) in Normalized Root Mean Square Error (NRMSE) en Coefficient of Determination ( $R^2$ ). Het prestatieverschil was het meest significant in de Random Motion (RND) conditie, wat een superieure generaliseerbaarheid naar ongeziene bewegingspatronen aantoont.
Fysiologische Plausibiliteit: De geschatte activatie van een input-uitgesloten spier (ECRB) vertoonde een sterke temporele overeenkomst (hoge Pearson en Spearman correlatiecoëfficiënten) met de geregistreerde sEMG-envelope, wat de capaciteit van het netwerk valideert om latente activaties af te leiden.
Parameter Validiteit: De geoptimaliseerde MSK-parameters bleven binnen de gevestigde fysiologische limieten, wat bevestigt dat het model in staat is om subject-specifieke dynamica te leren zonder biomechanische restricties te schenden.
Ablatie Studie: Progressieve verwijdering van ongemeten spieren (APL en ECRB) uit het model resulteerde in significante prestatievermindering, met name in de RUD DoF en complexe bewegingen, wat de cruciale rol van het modelleren van ongeobserveerde spieren bevestigt.

Betekenis en Claims
Het artikel beweert dat MSK-NN een robuuste oplossing biedt voor gewrichtskinetica-schatting onder schaarse sensoringcondities. Door fysica direct in de netwerkarchitectuur in te bedden en een samengestelde verliesfunctie te gebruiken, bereikt de methode een balans tussen de nauwkeurigheid van data-gestuurde modellen en de interpreteerbaarheid van modelgebaseerde benaderingen.

Cruciaal is dat de auteurs stellen dat MSK-NN:

Beter generaliseert naar willekeurige, ongeconstrueerde bewegingen vergeleken met bestaande hybride en data-gestuurde baselines.
Fysiologisch plausibele activaties herstelt voor spieren die niet aanwezig zijn in de input, waarmee het de onderbepaalde aard van gedeeltelijke sEMG-observatie effectief oplost.
Een algemeen sjabloon biedt voor het koppelen van data-gestuurde schatting aan fysiologisch beperkte dynamica, wat potentieel onderzoek naar neuromusculaire controle onder ongeziene bewegingen ondersteunt en interpreteerbare tussenvariabelen biedt voor wetenschappelijke en technische toepassingen.

De auteurs merken bescheiden op dat hoewel het framework computationeel haalbaar is voor real-time uitvoering (ongeveer 2,65 ms per stap), de primaire bijdrage ligt in het architecturale ontwerp en de gedemonstreerde capaciteit om latente fysiologische toestanden af te leiden zonder directe supervisie.