| name | physiologically-constrained-musculoskeletal-neural-network |
| description | 生理约束肌肉骨骼神经网络（MSK-NN）从部分观测sEMG估计多自由度关节运动学，无需内部生物力学标签的直接监督。 |
| triggers | ["sEMG","表面肌电图","肌肉骨骼神经网络","MSK-NN","关节运动学估计","多自由度","multi-DoF","生理约束","physiologically constrained","肌肉激活估计","muscle activation","肌肉协同","muscle synergy","生物力学建模","biomechanical modeling"] |
| version | 1 |
| author | Wending Heng, Mingming Zhang, Glen Cooper, Zhenhong Li (arXiv:2606.07476v1) |
| arxiv_id | 2606.07476v1 |
| date_imported | 2026-06-08T00:00:00.000Z |
| source_url | https://arxiv.org/abs/2606.07476v1 |
| pdf_url | https://arxiv.org/pdf/2606.07476v1.pdf |
| tags | ["electromyography","neural network","biomechanics","joint kinematics","musculoskeletal modeling","physics-informed neural networks","physiological constraints","muscle synergy","rehabilitation","prosthetics"] |
Physiologically Constrained Musculoskeletal Neural Network for Multi-DoF Joint Kinematics Estimation
核心创新
提出新型肌肉骨骼神经网络（MSK-NN），从部分观测的表面肌电图（sEMG）估计多自由度关节角度，同时推断测量和未测量肌肉的激活。核心创新是无需内部生物力学变量（肌肉肌腱力、关节力矩）的直接监督。
问题定义
部分观测sEMG挑战
现实约束：
- 解剖学不可达性限制测量
- 传感器约束导致部分肌肉数据缺失
- 仅部分任务相关肌肉可测量
现有方法局限：
- 需要完整肌肉数据
- 依赖额外生物力学标签
- 无法推断未测量肌肉激活
MSK-NN架构
1. 双模块设计
CNN肌肉激活估计器：
- 从sEMG提取肌肉激活模式
- 处理时序和空间特征
- 无监督内部生物力学变量
嵌入MSK前向动力学模块：
- 实现肌肉骨骼物理约束
- 全可微分架构
- 与CNN形成端到端训练
2. 无监督策略
关键区别：
| 方法 | 内部标签 | MSK-NN |
|---|
| 混合NN | 需肌肉力 | 无 |
| 传统NN | 需力矩 | 无 |
| MSK-NN | 无 | ✓ |
3. 复合损失函数
三重约束设计：
L_total = L_kinematics + L_synergy + L_trend
组成部分：
- 关节运动学损失：
L_kinematics = MSE(θ_pred, θ_true)
确保关节角度估计准确
- 肌肉协同损失：
L_synergy = ||A - WS||
数据驱动肌肉协同约束
- 解剖趋势损失：
L_trend = ∑_i ||∂a_i/∂θ - ∂a_i_ref/∂θ||
解剖学引导的趋势约束
生理约束机制
1. MSK参数约束
参数范围：
优化过程：
θ_MSK ∈ [θ_min, θ_max]
参数保持在生理极限内
2. 肌肉激活推断
双任务：
- 测量肌肉：验证估计准确性
- 未测量肌肉：推断缺失数据
验证方法：
- 未测量肌肉激活与记录sEMG包络比较
- 时序一致性评估
3. 物理一致性
