Apprentissage profond informé par la physique pour la modélisation musculo-squelettique: Prédire les forces musculaires et la cinématique des articulations à partir de l'EMG de surface
Les modèles musculosquelettiques ont été largement utilisés pour les analyses biomécaniques car ils peuvent estimer des variables de mouvement difficiles à mesurer directement in vivo (comme les forces musculaires et les moments articulaires). Les modèles musculosquelettiques entraînés de manière traditionnelle par des processus physiques peuvent expliquer l’interaction dynamique entre la stimulation nerveuse des muscles, la dynamique musculaire et la cinématique et la dynamique corporelles et articulaires. Cependant, ces modèles, en raison de leur complexité, fonctionnent lentement et sont difficiles à appliquer en temps réel. Ces dernières années, les méthodes basées sur les données sont devenues une alternative prometteuse en raison de leur rapidité et de leur simplicité opérationnelle, mais elles ne peuvent pas refléter les processus neuro-mécaniques sous-jacents.
Cet article propose un cadre de deep learning intégrant des connaissances physiques pour réaliser la modélisation musculosquelettique. Dans ce cadre, les connaissances du domaine physique sont intégrées au modèle basé sur les données, traitées comme des contraintes souples et régularisées. Cet article utilise l’exemple de la prédiction simultanée des forces musculaires et de la cinématique articulaire à partir des électromyogrammes de surface (SEMG), réalise ce cadre à l’aide d’un réseau neuronal convolutif (CNN) et valide expérimentalement son efficacité et sa robustesse sur deux ensembles de données.
Source de l’article
Cet article a été co-rédigé par sept chercheurs : Jie Zhang, Yihui Zhao, Fergus Shone, Zhenhong Li, Alejandro F. Frangi, Sheng Quan Xie et Zhi-Qiang Zhang, affiliés respectivement à la faculté de génie électronique et électrique et à la faculté d’informatique de l’université de Leeds, ainsi qu’au département de génie électrique de l’université KU Leuven. Cette recherche est publiée dans la revue IEEE Transactions on Neural Systems and Rehabilitation Engineering, numéro 31, 2023.
Processus de recherche
Aperçu de la méthode de recherche
Cette étude développe un cadre de deep learning intégrant des connaissances physiques pour la prédiction simultanée des forces musculaires et de la cinématique articulaire. Les réseaux neuronaux convolutifs (CNN) sont utilisés comme véhicules de mise en œuvre des réseaux neuronaux profonds, tandis que les lois physiques servent de contraintes souples pour régulariser les CNN.
Traitement des données
Prétraitement des données: Comprend le filtrage passe-bande (de 20 Hz à 450 Hz) des signaux électromyographiques (EMG) enregistrés lors des expériences, la rectification à onde entière, et le filtrage passe-bas (6 Hz).
Ensembles de données: L’article utilise deux ensembles de données : un ensemble de données de marche de référence et un ensemble de données d’articulation du poignet recueilli par les chercheurs. Le premier contient les données de six volontaires en bonne santé marchant à différentes vitesses ; le second contient les données de six volontaires en bonne santé effectuant des mouvements de flexion/extension du poignet.
Enregistrements expérimentaux: Les étapes de normalisation comprennent l’ajustement de l’échelle du modèle musculosquelettique de chaque sujet à l’aide du logiciel OpenSim et le calcul des axes de mouvement des articulations à l’aide de l’outil d’inverse cinématique, en s’assurant que l’excitation musculaire est cohérente avec les signaux EMG mesurés. Chaque cycle de marche est normalisé à 100 images.
Validation expérimentale
Les données utilisées pour les expériences comprennent les données des essais de marche et de mouvement du poignet. Chaque essai est composé de pas de temps dans le cycle de marche, de signaux parcourus, des forces musculaires du BFS et du RF.
Étapes de traitement des données expérimentales
Marquage et données de force musculaire: Les axes de mouvement articulaire et les moments articulaires sont calculés à l’aide des outils de cinématique et de dynamique inverses, et l’outil de contrôle des muscles est utilisé pour s’assurer que l’excitation musculaire est cohérente avec les signaux EMG mesurés.
Conception de l’algorithme: Un cadre CNN simple, comprenant des blocs convolutionnels, des blocs entièrement connectés et des blocs de régression, est utilisé pour implémenter le modèle basé sur les données et pour extraire automatiquement les caractéristiques des signaux EMG et des pas de temps.
Conception de la fonction de perte
Erreur quadratique moyenne (MSE): Minimiser l’erreur quadratique moyenne entre les valeurs réelles et les valeurs prédites.
Perte physique: Utiliser des équations de mouvement comme termes de régularisation, aligner les valeurs prédites sur les contraintes des équations physiques via la fonction de perte.
Fonction de perte totale: La fonction de perte totale utilisée pour l’entraînement du modèle combine les pertes d’erreur quadratique moyenne traditionnelle et les pertes physiques.
Résultats
Les résultats expérimentaux montrent que le cadre de deep learning intégrant des connaissances physiques proposé présente une performance de prédiction et une robustesse supérieures sur différents ensembles de données. Comparé aux méthodes de base telles que CNN, ML-ELM, SVR, ELM, ce cadre offre une erreur de prédiction inférieure et un coefficient de corrélation plus élevé.
Résultats clés
Ensembles de données du genou et du poignet: Ce cadre présente une bonne capacité de suivi dynamique dans les scénarios du genou et du poignet, obtenant des résultats de prédiction robustes et efficaces avec un petit nombre de données d’entraînement.
Analyse statistique: Une analyse de variance à facteur unique a été utilisée pour vérifier la robustesse du cadre, démontrant sa capacité à réaliser des performances optimales dans la plupart des cas.
Scénario inter-session: Le cadre proposé montre une bonne performance de généralisation, même sur des données inconnues.
Processus de formation
Processus itératif: Pendant l’entraînement, au fur et à mesure que le nombre d’itérations augmente, la perte totale diminue, indiquant la convergence du modèle.
Taille de l’ensemble de données et impact de l’architecture: Un ensemble de données plus large et une architecture de réseau modérément complexe peuvent améliorer encore la performance du modèle.
Discussion et pistes futures
Le cadre de deep learning basé sur des connaissances physiques proposé dans cette étude a démontré son efficacité pour la prédiction des modèles musculosquelettiques en intégrant des lois physiques. Ce cadre peut également être étendu à d’autres applications de modélisation musculosquelettique, telles que la rééducation assistée par robot et le diagnostic de pathologies du mouvement. De plus, il est possible d’explorer davantage l’impact de différentes pondérations de perte, de différentes configurations d’entrée et de sortie, et de contraintes physiques supplémentaires sur la performance du modèle.
Conclusion
Cet article présente un cadre basé sur les données intégrant des connaissances physiques, capable de réduire de manière significative les besoins en ressources de calcul lors de la création de modèles. Les résultats expérimentaux montrent l’efficacité et la robustesse de cette méthode pour la prédiction de la force musculaire et des angles articulaires. À l’avenir, ce cadre pourrait jouer un rôle important dans d’autres domaines d’application de la modélisation musculosquelettique, comblant l’écart entre les prototypes de laboratoire et les applications cliniques.