Mensaje de error

El archivo especificado temporary://filekoSzAt no se pudo copiar, porque el directorio de destino no está configurado correctamente. La causa puede ser un problema de permisos en el directorio o los archivos. Hay más información disponible en el registro del sistema.

Artificial neural network model for the generation of muscle activation patterns for human locomotion

@article{prentice2001artificial,
  title={Artificial neural network model for the generation of muscle activation patterns for human locomotion},
  author={Prentice, SD and Patla, AE and Stacey, DA},
  journal={Journal of electromyography and kinesiology},
  volume={11},
  number={1},
  pages={19--30},
  year={2001},
  publisher={Elsevier}
}

keywords: MA , ML , EMG , Electromyography; Gait modifications; Locomotor control; Internal model , NN

Abstract
Skilled locomotor behaviour requires information from various levels within the central nervous system (CNS). Mathematical models have permitted researchers to simulate various mechanisms in order to understand the organization of the locomotor control system. While it is difficult to adequately characterize the numerous inputs to the locomotor control system, an alternative strategy may be to use a kinematic movement plan to represent the complex inputs to the locomotor control system based on the possibility that the CNS may plan movements at a kinematic level. We propose the use of artificial neural network (ANN) models to represent the transformation of a kinematic plan into the necessary motor patterns. Essentially, kinematic representation of the actual limb movement was used as the input to an ANN model which generated the EMG activity of 8 muscles of the lower limb and trunk. Data from a wide variety of gait conditions was necessary to develop a robust model that could accommodate various environmental conditions encountered during everyday activity. A total of 120 walking strides representing normal walking and ten conditions where the normal gait was modified in terms of cadence, stride length, stance width or required foot clearance. The final network was assessed on its ability to predict the EMG activity on individual walking trials as well as its ability to represent the general activation pattern of a particular gait condition. The predicted EMG patterns closely matched those recorded experimentally, exhibiting the appropriate magnitude and temporal phasing required for each modification. Only 2 of the 96 muscle/gait conditions had RMS errors above 0.10, only 5 muscle/gait conditions exhibited correlations below 0.80 (most were above 0.90) and only 25 muscle/gait conditions deviated outside the normal range of muscle activity for more than 25% of the gait cycle. These results indicate the ability of single network ANNs to represent the transformation between a kinematic movement plan and the necessary muscle activations for normal steady state locomotion but they were also able to generate muscle activation patterns for conditions requiring changes in walking speed, foot placement and foot clearance. The abilities of this type of network have implications towards both the fundamental understanding of the control of locomotion and practical realizations of artificial control systems for use in rehabilitation medicine.

Este es otro antecedente de predicccion de activacion de musculo o de EMG activity en base a información kinemática. A partir de planes de movimiento de caminado con una gran variabilidad en parametros y formas, aprenden mediante una Neural network (NN) patrones o predicen patrones de e activacion de 8 musculos de las extremidades inferiores y del tronco de emg
Me imagino que la metodología de trabajo es similar por que tienen que tener la ground truth

The purpose of this study is to demonstrate the ability of an artificial neural network (ANN) model to represent the transformation between a kinematic movement plan and the individual muscle activations needed for successful locomotion. 

the CNS does have the ability to map this information into an ensemble of muscle activations, a comparison between predicted and actual muscle activity may indicate the extent to which muscle activations are formed through feedforward planning.

Aparentemente predicen el patron de activacion durante caminata, por lo que lei a grandes rasgos

Una cosa a tener en cuenta es que capturan info kinemática con un mocap

-A una persona se le pidio que caminara por una plataforma con sensores de contacto de forma y velocidad especifica para tomar como parametros de caminata normal
-Además se ejecutaron 12 formas de caminar distintas variaciones de la caminata normal en los parametros de four gait parameters (cadence, stride length, stance width or required foot clearance) 
-Además de los sensores de contacto (que no se si se usaron para medir variables) se midieron variables Kinemátcias con un MOCAP, sería VISUAL CON MARCADORES en este caso.
-No me quedo claro como midieron la activacion muscular, pero al parece es un EMG pero comunicado remoto por fibra optica por que habla de un fibre optic telemetry
-Los datos Kinematico dervidados de la medicion fueron velocidad y aceleracion linear, ángulos de la rodilla, tobillo y cadera sagital y frontal
-Los datos 12 Kinematicos y 8 emg fueron normalizados en duracion y amplitud escalados teniendo en cuenta todas las caminatas del experimento

-The ANN model utilized in this study was a feedforward network of processing elements (PE) organized into three layers, an input layer, hidden layer and output layer. Each layer of the network consisted of a number of individual PE and can be represented by a single vector.
-La entrada son los datos Kinemáticos y la salida las activaciones de los musculos inddivduales
-La informacion no es dependiente del tiempo por eso a cada step time la informacion se trata independientemente.No termine de entender eso? sera que se usa una red o un proceso por cada unidad de tiempo discretizado?
-Las entradas fueron 21 y como dijimos se correspondian con desplazamientos vertical y horizontal del cadera y pie y angulos sagital de cadera y rodilla y frontal de cadera.
-Habian 14 unidades ocultas
-La salida eran 8 unidades correspondiente a la activacion de los 8 musculos medidos con EMG (Nombres complicados)
-As the input and output data are time varying signals the representation of time history data was accomplished by using a series of input and output vectors where each vector pair depicted the matching data of a single time step.

-La red se entreno con backpropagation para aprender los pesos de las entradas
-De todas las condiciones de caminata se separaron el train and test set, de forma excluyente por lo que entendi, algunas condiciones que estaban en el train, no estaban en el test y las del test no estaban en el train
-La red se entreno hasta que se alcanzo un error considerablemente bajo

-Se evaluo del modelo la habilidad para predecir muscle activations en gaits individuales y en predecir el patron completo de un ciclo
-Habla de la dificultad de evaluar time series por desfasamientos en el tiempo y dicen algo de usar medidas estadisticas,
-Una que miden es el RMS con un test de correlacion.
-El problema aparente es por la duracion de las señales??? pero esto no afecta si calculas el RMS de cada una de las señales medidas y predichas y los comparas
-Otra medida como dijimos es la correlacion que captura como covarian dos señales independientemente de su magnitudo o máxima amplitud
-Otra medida que usan es la normal variability para decir si los valores predecidos estan en los limites para cada caso o concdicion, por que las otras fallan en algunos aspectos o no sirven.

-En cuanto a los resultados, The muscle activation time histories predicted by the model closely matched those recorded experimentally for all conditions indicating that a single network configuration was sufficient to transform a representation of the desired movement into the necessary muscle activation patterns. Examples of the predicted muscle activation profiles for three conditions of the test data set
-De las graficas las señales parece que se ven aprecidas, parece que la salida es continua
-Con la RMS se meidio el error absoluto por lo que entedni en una serie completa de tiempo y solo dos casos tuvieron una diferencia en RMS mayor al 0.10, esto parece que es bueno 
-Además las correlaciones entre prediccion y real fueron muy altas la mayoría de las veces excedindo el 0.9, salvo para algunos musculos específicos.
-Se midio la standard desviation, algo como que un cuarto de las combinaciones estuvo más del 25% dell ciclo fuera de la banda de standard desviation.
-Al parecer biceps femoris es el que trae más problemas

Algunas conclusiones que me parecioeron importantes
-The results of the model have demonstrated the feasibility of ANNs to model the transformation between a desired kinematic movement plan and the required muscle activations en caminata en el tren inferior
-The ability of an ANN model to predict muscle activation time histories from a kinematic movement plan has implications towards both thefundamental understanding of the control of locomotion and practical realizations of artificial control systems.
-The capacity of the proposed ANN model to produce muscle activation for a wide variety of walking conditions suggests that the CNS should have the capability to transform a kinematic plan into the appropriate activation patterns.

 

Bastante Relacionado.