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

Resumo Técnico: Rede Neural Musculoesquelética com Restrições Fisiológicas para Estimativa de Cinemática Articular de Múltiplos Graus de Liberdade (DoF)

Definição do Problema
A estimativa contínua da cinemática articular baseada em eletromiografia de superfície (sEMG) é crítica para a reabilitação, biomecânica e interação humano-robô. No entanto, as abordagens existentes enfrentam um compromisso entre precisão e interpretabilidade fisiológica. Métodos orientados a dados sem modelo (ex: CNNs, LSTMs) frequentemente carecem de consistência fisiológica e falham em generalizar para padrões de movimento com velocidades ou amplitudes não observadas durante o treinamento. Por outro lado, abordagens baseadas em modelos representam explicitamente a dinâmica direta musculoesquelética (MSK), mas são limitadas pela fidelidade do modelo e pela incapacidade de contabilizar músculos não medidos (ex: músculos profundos ou pequenos inacessíveis aos sensores). Além mais, os frameworks híbridos existentes frequentemente exigem rótulos biomecânicos caros (ex: forças de músculo-tendão ou torques articulares) para supervisão ou assumem um mapeamento estrito de um para um entre canais de sEMG e músculos modelados, o que exclui músculos relevantes para a tarefa não medidos e leva a uma partilha de força fisiologicamente implausível.

Este artigo aborda o desafio de estimar a cinemática articular de múltiplos graus de liberdade (DoF) sob sEMG parcialmente observada, onde um subconjunto de músculos relevantes para a tarefa não pode ser medido devido a restrições anatômicas ou limitações de sensores.

Metodologia
Os autores propõem uma Rede Neural Musculoesquelética (MSK-NN), uma arquitetura totalmente diferenciável que integra um estimador de ativação orientado a dados com um módulo de dinâmica direta MSK incorporado.

1. Arquitetura:

   • Estimador de Ativação Muscular: Um codificador de Rede Neural Convolucional (CNN) leve processa envelopes de sEMG pré-processados de músculos medidos. Diferente das abordagens convencionais, este codificador estima conjuntamente as ativações tanto para os músculos medidos quanto para os músculos não medidos (latentes).
   • Dinâmica Direta MSK Incorporada: As ativações estimadas são propagadas através de um modelo de dinâmica de músculo-tendão baseado em Hill para gerar forças musculares. Essas forças são mapeadas para torques articulares via braços de momento e integradas dentro de um modelo de dinâmica articular específico do sujeito (inércia, gravidade e amortecimento) para prever ângulos articulares de múltiplos DoF.

2. Treinamento e Função de Perda:
   A rede é treinada de ponta a ponta sem supervisão direta de variáveis biomecânicas internas (ex: forças ou torques). Em vez disso, uma Perda de Física-Fisiologia composta é projetada para restringir o espaço de solução:

   • Perda de Cinemática Articular ($L_{traj}$): Penaliza discrepâncias entre os ângulos articulares e as velocidades angulares previstos e os valores reais (ground-truth).
   • Perda de Sinergia Muscular ($L_{syn}$): Utiliza a Fatoração de Matriz Não Negativa (NMF) derivada dos dados de treinamento para restringir as ativações dos músculos medidos para que residam em um subespaço de coordenação fisiologicamente plausível.
   • Perda de Tendência Guiada pela Anatomia ($L_{trd}$): Incentiva a coordenação temporal entre músculos não medidos e músculos medidos funcionalmente relacionados. Esta perda minimiza a diferença nas tendências de ativação (derivadas temporais) entre músculos pareados, transferindo a estrutura de coordenação dos músculos observados para os não observados.

3. Otimização:
   Tanto os pesos do codificador CNN quanto os parâmetros da dinâmica de músculo-tendão baseada em Hill (ex: comprimento de fibra ideal, força isométrica máxima) são otimizados simultaneamente via retropropagação (backpropagation), permitindo a personalização do modelo MSK para cada sujeito.

Principais Contribuições

• Framework Inovador: Introdução da MSK-NN, que estima a cinemática de múltiplos DoF enquanto infere ativações fisiologicamente plausíveis para músculos medidos e não medidos, sem exigir um mapeamento de um para um entre sEMG e músculo.
• Variáveis Internas Sem Supervisão: O método alcança alta precisão cinemática sem exigir rótulos biomecânicos caros (forças/torques) para o treinamento, baseando-se, em vez disso, em uma função de perda composta que impõe consistência física e fisiológica.
• Tratamento de Observabilidade Parcial: O framework modela explicitamente músculos não medidos (ex: músculos profundos como o Abdutor Longo do Polegar) e infere suas ativações, abordando o problema de "impulso muscular incompleto" comum em abordagens tradicionais baseadas em modelos.

Resultados Experimentais
O método foi avaliado na cinemática de dois DoF do pulso (Flexão/Extensão e Desvio Radial/Ulnar) utilizando dados de seis sujeitos saudáveis realizando quatro tipos de movimentos: Horário (CW), Anti-horário (CCW), Figura-8 ($\infty$) e Aleatório (RND).

• Precisão Cinemática: A MSK-NN superou as linhas de base de última geração (CNN, Bi-LSTM, CNN-LSTM e Parallel Efficient Transformer (PET)) em Erro Quadrático Médio Normalizado (NRMSE) e Coeficiente de Determinação ($R^2$). A lacuna de desempenho foi mais significativa na condição de Movimento Aleatório (RND), demonstrando superior generalização para padrões de movimento não vistos.
• Plausibilidade Fisiológica: A ativação estimada de um músculo excluído da entrada (ECRB) mostrou forte concordância temporal (altos coeficientes de correlação de Pearson e Spearman) com seu envelope de sEMG registrado, validando a capacidade da rede de inferir ativações latentes.
• Validade dos Parâmetros: Os parâmetros MSK otimizados permaneceram dentro de limites fisiológicos estabelecidos, confirmando a capacidade do modelo de aprender dinâmicas específicas do sujeito sem violar restrições biomecânicas.
• Estudo de Ablação: A remoção progressiva de músculos não medidos (APL e ECRB) do modelo resultou em degradação significativa do desempenho, particularmente no DoF de RUD e em movimentos complexos, confirmando o papel crítico de modelar músculos não observados.

Significância e Alegações
O artigo afirma que a MSK-NN fornece uma solução robusta para a estimativa de cinemática articular sob condições de sensores esparsos. Ao incorporar a física diretamente na arquitetia da rede e utilizar uma função de perda composta, o método alcança um equilíbrio entre a precisão dos modelos orientados a dados e a interpretabidade das abordagens baseadas em modelos.

Crucialmente, os autores afirmam que a MSK-NN:

1. Generaliza melhor para movimentos aleatórios e não controlados em comparação com as linhas de base híbridas e orientadas a dados existentes.
2. Recupera ativações fisiologicamente plausíveis para músculos que não estão presentes na entrada, resolvendo efetivamente a natureza subdeterminada da observação parcial de sEMG.
3. Oferece um template geral para acoplar a estimativa orientada a dados com dinâmicas restritas fisiologicamente, potencialmente apoiando estudos de controle neuromuscular sob movimentos não vistos e fornecendo variáveis intermediárias interpretáveis para aplicações científicas e de engenharia.

Os autores observam modestamente que, embora o framework seja computacionalmente viável para execução em tempo real (aprox. 2,65 ms por passo), sua principal contribuição reside no design arquitetônico e na capacidade demonstrada de inferir estados fisiológicos latentes sem supervisão direta.