Se propone una red neuronal musculoesquelética con restricciones fisiológicas (MSK-NN) para la estimación de la cinemática articular multi-grado de libertad (DoF) a partir de señales de electromiografía de superficie (sEMG) observadas parcialmente. El marco integra un estimador de activación neuronal con un módulo de dinámica directa musculoesquelética integrado, entrenado de extremo a extremo utilizando una función de pérdida compuesta que combina supervisión cinemática, regularización de sinergia en los músculos medidos y regularización de tendencia guiada por anatomía en los músculos no medidos.
Marco MSK-NN
El estimador de activación y el módulo de dinámica directa MSK se optimizan conjuntamente mediante retropropagación de extremo a extremo con una pérdida compuesta de física-fisiología que combina supervisión cinemática, regularización de sinergia en los músculos medidos y regularización de tendencia guiada por anatomía en los músculos no medidos.
Adquisición y Procesamiento de Datos
El protocolo experimental está aprobado por el Comité de Ética de Investigación de la Universidad de Mánchester (N.º de referencia 2024-20628-36971). Seis sujetos sanos participaron en el estudio con consentimiento informado por escrito. La altura, la masa corporal y la longitud de la mano se registran antes de la recolección de datos. Durante el experimento, los participantes realizan movimientos de muñeca en posición sentada, manteniendo una postura neutra del antebrazo y evitando la pronación y supinación del antebrazo.
Cada participante realiza cuatro tipos de patrones de movimiento continuo de muñeca sin restricciones de velocidad o amplitud: en sentido horario (CW), antihorario (CCW), en forma de 8 y aleatorio (RND). Para cada patrón, se registran seis ensayos de 30 segundos, conservando los 20 segundos centrales para eliminar efectos transitorios.
Las señales de sEMG sin procesar se filtran paso banda (20–450 Hz, Butterworth de cuarto orden), se rectifican y se filtran paso bajo (4 Hz, Butterworth de cuarto orden) para obtener envolventes de sEMG. La contracción voluntaria máxima (MVC) de cada músculo se registra antes del experimento, y las envolventes se normalizan por la amplitud máxima de MVC de cada músculo. Las envolventes de sEMG procesadas se remuestrean a 100 Hz para que coincidan con la tasa de muestreo cinemática.
Entrenamiento de MSK-NN
El conjunto de datos preprocesado se divide a nivel de ensayo en conjuntos de entrenamiento, validación y prueba con una relación 4:1:1. Se entrena un modelo específico para cada sujeto utilizando los cuatro movimientos combinados, y la evaluación se realiza por separado para cada tipo de movimiento.
Resultados
La MSK-NN propuesta se evalúa desde cuatro perspectivas. Primero, su rendimiento de predicción cinemática multi-DoF se compara con líneas de base de aprendizaje profundo de última generación. Segundo, la activación inferida del extensor corto del carpo radial (ECRB) excluido de la entrada se compara con la envolvente de sEMG del ECRB registrada, que se omite de la entrada y se utiliza solo para evaluar la plausibilidad fisiológica. Tercero, los parámetros MSK optimizados se examinan frente a rangos fisiológicos. Finalmente, se realiza un análisis de ablación muscular para evaluar la contribución de los músculos no medidos al rendimiento de estimación cinemática.
Análisis de Ablación de Músculos No Medidos
Estos hallazgos muestran que incluir músculos no disponibles para la red mejora la completitud de la representación de accionamiento muscular y contribuye a una estimación más precisa de la cinemática multi-DoF de la muñeca bajo observabilidad parcial de sEMG.
Discusión
El marco MSK-NN propuesto se discute desde tres perspectivas: modularidad y extensibilidad, su capacidad para estimar activaciones musculares bajo sEMG observado parcialmente y su viabilidad computacional para ejecución en tiempo real.
Modularidad y Extensibilidad del Marco
MSK-NN integra de manera transparente dos componentes: un estimador de activación neuronal y un módulo de dinámica directa MSK integrado, acoplados solo a través del vector de activación muscular que sirve como una interfaz fisiológica bien definida entre las etapas basadas en datos y en física. Esta estructura composicional permite reemplazar cualquiera de los componentes de forma independiente sin alterar el marco general.
Viabilidad Computacional para Ejecución en Tiempo Real
La MSK-NN propuesta se evalúa para latencia de modelo de un solo paso a 250 Hz en un portátil equipado con una GPU NVIDIA GeForce RTX 4080 Laptop, un procesador Intel Core i9-13980HX y 32 GB de RAM. El estimador de activación muscular basado en CNN requiere 0.55 ms (percentil 95: 0.66 ms), el módulo de dinámica músculo-tendón requiere 1.38 ms (percentil 95: 1.60 ms) y el módulo de dinámica articular requiere 0.43 ms (percentil 95: 0.51 ms). El tiempo total de cómputo de inferencia por paso es de 2.65 ms (percentil 95: 3.17 ms). Estos resultados indican que el núcleo computacional de MSK-NN es viable para ejecución en tiempo real a 250 Hz.
Preguntas Frecuentes
¿Cómo maneja MSK-NN las señales de sEMG observadas parcialmente? El marco utiliza regularización de sinergia en los músculos medidos y regularización de tendencia guiada por anatomía en los músculos no medidos para inferir las activaciones faltantes a partir de las señales observadas.
¿Qué patrones de movimiento de muñeca se utilizaron para evaluar el modelo? Los participantes realizaron cuatro patrones de movimiento continuo: en sentido horario, antihorario, en forma de 8 y aleatorio, sin restricciones de velocidad o amplitud.
¿Puede MSK-NN ejecutarse en tiempo real en hardware estándar? Sí, el tiempo total de inferencia por paso es de 2.65 ms a 250 Hz en un portátil con GPU RTX 4080, muy dentro de los requisitos de tiempo real.
¿Qué hace que el marco MSK-NN sea modular y extensible? El estimador de activación neuronal y el módulo de dinámica directa musculoesquelética están acoplados solo a través del vector de activación muscular, lo que permite reemplazar cualquiera de los componentes de forma independiente.