文献

J-GLOBAL ID：202102264121973046   整理番号：21A0096292

EMG信号のニューラルネットワーク解釈による歩行イベント予測のための被験者内アプローチ【JST・京大機械翻訳】

Intra-subject approach for gait-event prediction by neural network interpretation of EMG signals

著者 (5件)： Nardo Francesco Di (Department of Information Engineering, Universita Politecnica delle Marche, Ancona, Italy) ,  Morbidoni Christian (Department of Information Engineering, Universita Politecnica delle Marche, Ancona, Italy) ,  Mascia Guido (Laboratory of Bioengineering and Neuromechanics of Movement, University of Rome “Foro Italico”, Rome, Italy) ,  Verdini Federica (Department of Information Engineering, Universita Politecnica delle Marche, Ancona, Italy) ,  Fioretti Sandro (Department of Information Engineering, Universita Politecnica delle Marche, Ancona, Italy)
資料名： BioMedical Engineering OnLine (Web)  (BioMedical Engineering OnLine (Web))
巻： 19  号： 1  ページ： 1-20  発行年： 2020年 
JST資料番号： U7351A  ISSN： 1475-925X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 歩行中の表面筋電図(sEMG)信号から歩行イベントを推定するため,機械学習モデルを十分に実行した。それらのほとんどは,データ準備のための被験者間アプローチに基づいている。本研究の狙いは,sEMG信号のニューラルネットワーク解釈に基づくバイナリ分類歩行相および歩行事象の予測のための被験者内アプローチを提案し,被験者内アプローチが被験者間よりも優れた性能を達成できるという仮説を検証することである。この目的のために,sEMGシグナルを,地上歩行中に23名の健常成人から約10.000歩の10脚筋から取得し,多層パーセプトロン(MLP)アーキテクチャを実装した。分類/予測精度を,訓練段階中に使用されないサンプルを通して,3つの足スイッチによって提供される足-床接触信号によって代表されるグラウンドトルースに対して試験した。平均分類精度は96.1±1.9%,平均絶対値(MAE)は14.4±4.7msであり,Toe-off(TO)タイミングは23.7±11.3msであった。提案した手法の性能を,同じ母集団における被験者間アプローチによって提供される性能との直接比較によって試験した。比較結果は,HSおよびTOタイミング(それぞれ23%および33%減少)の予測において,平均分類精度の1.4%の改善およびMAEの有意(p<0.05)減少を示した。本研究は,被験者内sEMGデータのニューラルネットワーク解釈に基づく歩行事象の分類と予測のための正確な方法論を開発し,より典型的な被験者間アプローチを凌駕することができた。臨床的に有用な貢献は,単一被験者からのEMG信号のみからの歩行イベントの予測であり,時間的データの直接測定に対する更なるセンサの必要性の除去に寄与する。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ニューラルネットワーク ,  位相 ,  下肢筋 ,  センサ ,  母集団 ,  絶対値 ,  計算機アーキテクチャ ,  多層パーセプトロン ,  機械学習
準シソーラス用語： 被験者 ,  予測精度 ,  表面筋電図 ,  分類精度 ,  グランドトゥルース ,  二値分類 , 【Automatic Indexing@JST】

著者キーワード (6件)： 表面筋電図 ,  機械学習 ,  ニューラルネットワーク ,  歩行位相分類 ,  地上歩行 ,  被験者内データ

分類 (1件)： リハビリテーション  (GB06000Z)

引用文献 (38件)：

• Gait Posture.; Analysis of the performance of 17 algorithms from a systematic review: influence of sensor position, analysed variable and computational approach in gait timing estimation from IMU measurements; G Pacini Panebianco, MC Bisi, R Stagni, S Fantozzi; 66; 2018; 76-82; 10.1016/j.gaitpost.2018.08.025; citation_id=CR1
• Sensors (Basel); Gait partitioning methods: a systematic review; J Taborri, E Palermo, S Rossi, P Cappa; 16; 1; 2016; 66; 10.3390/s16010066; citation_id=CR2
• Gait Posture.; Detection of the onset of gait initiation using kinematic sensors and emg in transfemoral amputees; E Wentink, E Schut, E Prinsen, E Rietman, P Veltink; 39; 1; 2014; 391-396; 10.1016/j.gaitpost.2013.08.008; citation_id=CR3
• Int J Humanoid Rob; A physiologist’s perspective on robotic exoskeletons for human locomotion; D Ferris, G Sawicki, M Daley; 4; 3; 2007; 507; 10.1142/S0219843607001138; citation_id=CR4
• Prosthet Orthot Int; The efficacy of the ankle mimicking prosthetic foot prototype 4.0 during walking: physiological determinants; K De Pauw, P Cherelle, B Roelands, D Lefeber, R Meeusen; 42; 5; 2018; 504-510; 10.1177/0309364618767141; citation_id=CR5

タイトルに関連する用語 (6件)： EMG ,  ニューラルネットワーク ,  歩行 ,  イベント ,  予測 ,  被験者