在姿势协调过程中使用长短期记忆网络通过EMG传感估计地面反作用力和力矩 全球观点

【资料图】

想象一下，只要在你的腿上安装一些肌电图(EMG) 传感器，就可以预测你未来几秒钟的动作。这种通过肌肉状态预测运动的方法是主流的基于视觉线索的运动预测的替代方法，后者严重依赖多视图相机来构建时间序列姿势。但是，肌肉状态和以后的动作还是有差距的。

肌肉作用于地面，引起地面反作用力。与肌肉状态和地面反作用力一起产生身体运动。因此，基于记录的肌肉状态估计地面反作用力是必不可少的，但由于依赖于时间序列和复杂的非线性映射，这仍然是一个很大的挑战。东北大学的一个研究团队使用长短期记忆网络解决了这一挑战。这项研究发表在 2 月 21 日的Cyborg and Bionic Systems杂志上。

运动预测对于动物王国中猎人和猎物的生存至关重要，并且在我们的日常生活中仍然很重要，例如在运动中。打篮球的时候，作为防守者，你可能会不断预测对方会突破你的左侧还是右侧，从而提前做出适当的反应。

“运动最初是由力产生的，很难预测力驱动的运动，例如，从静态姿势开始的初始运动，没有动态传感，或者在这种情况下，与力相关的测量，”Mitsuhiro Hayashibe 说，相应的这项研究的作者，来自东北大学生物医学工程研究生院神经机器人实验室。“因此，除了运动学信息外，动力学信息也有利于构建更好的运动预测系统，特别是对于静态姿势的动作。”

“一些人体动作纯粹源于与先前动作无关的肌肉激活。在这种情况下，包括当前和过去的位置和姿势在内的运动学信息为运动预测提供的信息有限，”Hayashibe 说。例如，想象一下您在等红绿灯的时候。如果灯变绿，您可能会突然开始走路。在这种情况下，您长时间保持静止姿势这一事实很难预测突然向前走。事实上，这些信息可能会导致错误的预测，比如继续停留。因此，Hayashibe 的研究团队认为，有必要引入我们的肌肉，尤其是下肢肌肉的动力学，以便为尽可能多的情况下的体面运动预测提供更多信息。

他们通过两个实验证明了通过肌电感应预测地面反作用力和力矩的可行性。在第一个实验中，参与者重复姿势控制运动，包括连续的身体摇摆。在这个实验中，过去的时间序列姿势为运动预测提供了重要信息。然而，在第二个实验中，受试者被指示进行跨步运动，包括站立然后突然跨步。在这种情况下，过去的运动学提供的关于未来运动状态的信息很少。

“使用长短期记忆网络，我们可以预测两个实验中受试者的未来运动。相比之下，目前基于运动学的算法只能在第一个实验中取得可比的结果，而在第二个实验中则相差甚远。” 研究作者说。

“我们相信，通过在我们无法使用测力板的情况下获得 GRF 估计，这种方法也可以有益于其他相关的生物力学研究。” 研究作者说。未来，他们将专注于扩展所提出的方法，将其与运动性能、运动辨别信息和时间尺度的运动协同信息相结合，用于康复目的。

关键词：