物理信息驱动深度学习用于肌肉骨骼建模：基于表面肌电图预测肌肉力量和关节运动
肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。
本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。
论文来源
这篇论文由Jie Zhang, Yihui Zhao, Fergus Shone, Zhenhong Li, Alejandro F. Frangi, Sheng Quan Xie和Zhi-Qiang Zhang等7位研究者共同完成，他们分别隶属于Leeds大学电子与电气工程学院和计算机学院，以及KU Leuven大学的电气工程系。这项研究发表在IEEE Transactions on Neural Systems and Rehabilitation Engineering期刊2023年第31期上。
研究流程
研究方法概述
该研究开发了一种融合物理知识的深度学习框架，用以实现肌肉力量和关节运动学的同步预测。卷积神经网络（CNN）被用作深度神经网络的实现载体，同时物理定律被视为软约束对CNN进行正则化处理。
数据处理
数据预处理：包括对实验记录的肌电图（EMG）信号进行带通滤波（20Hz到450Hz）、全波整流、低通滤波（6Hz）处理。
数据集：论文使用了两个数据集：一个基准走路数据集和一个自采集的腕关节运动数据集。前者包含六名健康志愿者在不同走路速度下的数据，后者包含六名健康志愿者在腕关节弯曲/伸展运动中的数据。
实验记录：标准化步骤包括使用OpenSim软件对各个受试者的肌骨模型进行尺度调整，以及通过逆运动学工具计算关节运动轴向、计算肌肉激励以与测量的EMG信号一致。每个步态周期被标准化为100帧。
实验验证
实验使用的数据包括走路试验数据和腕部运动数据。每个试验由步态循环中的时间步长、遍历信号、BFS和RF肌肉力组成。
实验数据处理步骤
标记和肌力数据：通过逆运动学和逆动力学工具计算关节运动轴向和关节力矩，并使用计算肌肉控制工具确保肌肉激励与测量的EMG信号保持一致。
算法设计：使用卷积块、全连接块、回归块组成的简单CNN架构来实现数据驱动模型，对EMG信号和时间步长进行自动特征提取。
损失函数设计
均方误差损失（MSE）：最小化实际值和预测值之间的均方误差。
物理损失：利用运动方程作为正则化项，通过损失函数将预测值与物理方程约束相匹配。
总损失函数：结合传统的均方误差损失和物理损失，定义总损失函数来进行模型训练。
结果
实验结果表明，提出的物理融合深度学习框架在不同数据集上表现出了优越的预测性能和鲁棒性。相较于CNN、ML-ELM、SVR、ELM等基线方法，该框架能提供更低的预测误差和更高的相关系数。
关键结果
膝关节和腕关节数据集：该框架在膝关节和腕关节场景下均表现出较好的动态跟踪能力，能够通过少量训练数据获得稳健、高效的预测结果。
统计学分析：使用单因素方差分析验证了该框架的鲁棒性，得出其在大部分情况下能够实现最优性能。
跨会话场景：即使在未知数据上，提出框架也能表现出良好的泛化性能。
训练过程
迭代过程：训练过程中，随着迭代次数的增多，总损失呈现下降趋势，表明模型收敛。
数据集尺寸和架构影响：较大的数据集和适度复杂的网络架构能进一步提升模型性能。
讨论与未来方向
该研究提出的物理驱动深度学习框架展示了在肌骨模型预测中结合物理法则的有效性。而该框架不仅适用于现有的肌肉力量和关节运动学预测，还可扩展到其他肌骨建模应用场景如机器人辅助康复、运动病理学诊断等。此外，还可进一步探讨不同损失权重、不同输入输出预设和更多物理约束对模型性能的影响。
结论
这篇论文介绍了一种融合物理知识的数据驱动框架，所提出的方法能显著减少在建立模型时对计算资源的需求，且实验结果展示了该方法在肌肉力量和关节角度预测中的有效性和鲁棒性。未来，该框架有望在肌骨建模的其他应用领域中发挥重要作用，缩小实验室原型与临床应用之间的差距。