RTGNet: sEMGからの下肢関節角度予測のためのリカレントテクスチャと時間的ダイナミクスを統合したデュアルブランチネットワーク
RTGNet: A Dual-Branch Network Integrating Recurrent Texture and Temporal Dynamics from sEMG for Lower-Limb Joint Angle Prediction
表面筋電図(sEMG)からの下肢関節角度の正確な連続予測は、sEMG信号の非線形性、非定常性、および被験者固有の性質により困難が伴う。本研究では、多チャンネルsEMGからの下肢関節角度予測のためのデュアルブランチ深層学習フレームワークであるRTGNetを提案する。この手法は、非線形テクスチャ特性化のためのリカレンプロット(RP)ベース表現と、長期的な時間依存性モデリングのための時系列シーケンスという2つの特徴ビューを同じsEMGストリームから構築する。これらのビューは、それぞれ畳み込みブロック注意機構(CBAM)を備えた畳み込みニューラルネットワーク(CNN)と双方向長短期記憶ネットワーク(BiLSTM)によって処理され、適応型ゲート付き融合メカニズムを通じて統合される。さらに、予測誤差が大きいサンプルを強調するために、拡張されたHuber-TopK損失が採用される。SIAT-LLMDデータセットを用いたオフライン被験者間評価設定での実験では、RTGNetは歩行中に平均絶対誤差(MAE)3.87°、二乗平均平方根誤差(RMSE)5.25°、R2スコア0.81を達成し、階段上りではMAE 4.53°、RMSE 6.47°、R2スコア0.84を達成した。提案されたフレームワークは、時間のみまたはRPベースのベースラインを上回り、アブレーション結果はゲート付き融合戦略とCBAM注意機構の効果をさらに支持する。
- RTGNetは、リカレントプロットベース表現と時系列シーケンスの2つの特徴ビューを統合したデュアルブランチ深層学習フレームワークで、歩行時MAE 3.87°、階段上りMAE 4.53°を達成した。
本記事は、表面筋電図(sEMG)からの下肢関節角度予測のための深層学習フレームワークRTGNetを提案する学術研究であり、リハビリテーションや義肢装具、ウェアラブルヘルスケアなどの応用分野での技術的進展を示している。ただし、具体的な製品化や企業活動、調達などの投資判断に直結する事象は含まれておらず、学術的な技術報告に留まる。