Imaginez qu'en n'attachant qu'un certain nombre de capteurs d'électromyographie (EMG) à vos jambes, votre mouvement dans le futur de plusieurs secondes puisse être prédit. Une telle façon de prédire le mouvement via les états musculaires est une alternative à la prédiction de mouvement basée sur des repères visuels, qui s'appuie fortement sur des caméras multi-vues pour construire une posture en série chronologique. Cependant, il existe toujours un écart entre les états musculaires et les mouvements futurs.

Les muscles agissent sur le sol, ce qui induit une force de réaction au sol. Avec les états musculaires et la force de réaction au sol, les mouvements du corps sont produits. Par conséquent, l'estimation de la force de réaction au sol basée sur les états musculaires enregistrés est essentielle, ce qui pose toujours un grand défi en raison de la cartographie non linéaire complexe et dépendante des séries temporelles. Une équipe de recherche de l'Université de Tohoku a relevé ce défi en utilisant un réseau de mémoire longue à court terme. Cette recherche a été publiée dans la revue Cyborg et systèmes bioniques.

La prédiction de mouvement est vitale pour la survie du chasseur et de la proie dans le règne animal, et est toujours importante dans notre vie quotidienne, par exemple dans le sport. Lorsque vous jouez au basket, en tant que défenseur, vous pouvez continuer à prédire si l'agresseur percera votre côté gauche ou droit, afin que vous puissiez réagir de manière appropriée à l'avance.

"Les mouvements sont générés à l'origine par des forces, il pourrait être difficile de prédire un mouvement entraîné par la force, par exemple, un mouvement initial à partir d'une pose statique, sans détection de dynamique, ou dans ce cas, une mesure liée à la force", a déclaré Mitsuhiro Hayashibe, le correspondant. auteur de cette étude, du Neuro-Robotics Lab, Graduate School of Biomedical Engineering, Tohoku University. "Par conséquent, en plus des informations cinématiques, les informations dynamiques seraient bénéfiques pour construire de meilleurs systèmes de prédiction de mouvement, en particulier pour les actions à partir de poses statiques."

"Certains mouvements humains proviennent uniquement d'activations musculaires qui ne sont pas associées à des mouvements antérieurs. Dans ces circonstances, les informations cinématiques, y compris la position et la pose actuelles et passées, fournissent des informations limitées pour la prédiction de mouvement", a déclaré Hayashibe.

Par exemple, imaginez que vous attendez un feu de circulation. Si le feu passe au vert, vous pouvez soudainement commencer à marcher. Dans ce cas, le fait que vous teniez une pose immobile pendant une longue période peut difficilement prédire une marche avant soudaine. En fait, ces informations peuvent conduire à une prédiction erronée, comme continuer à rester. Par conséquent, l'équipe de recherche de Hayashibe pense que la dynamique de nos muscles, en particulier les muscles des membres inférieurs, doit être introduite pour fournir plus d'informations pour une prédiction de mouvement décente en tenant compte d'autant de circonstances que possible.

Ils ont démontré la faisabilité de prédire la force et le moment de réaction au sol grâce à la détection EMG avec deux expériences. Dans la première expérience, les participants ont répété le mouvement de contrôle de la posture, qui consiste en un balancement consécutif du corps. Dans cette expérience, les postures de séries chronologiques passées fournissent des informations importantes pour la prédiction de mouvement. Cependant, dans la deuxième expérience, les sujets ont été chargés d'effectuer un mouvement de pas, qui consiste à se tenir debout suivi d'un pas soudain. Dans ce cas, la cinématique passée fournit peu d'informations sur les états de mouvement futurs.

"En utilisant un long réseau de mémoire à court terme, nous pouvons prédire le mouvement futur des sujets dans les deux expériences. À titre de comparaison, l'algorithme actuel basé sur la cinématique ne peut obtenir des résultats comparables que dans la première expérience, mais bien inférieurs dans la seconde expérience", ont déclaré les auteurs de l'étude.

"Nous pensons que cette méthode peut également être bénéfique pour d'autres recherches biomécaniques connexes en obtenant une estimation du GRF dans un scénario où nous ne pouvons pas utiliser la plaque de force", ont déclaré les auteurs de l'étude. À l'avenir, ils se concentreront sur l'extension de cette méthode proposée pour l'intégrer aux performances de mouvement, aux informations de discrimination de mouvement et aux informations de synergie de mouvement considérées à l'échelle temporelle à des fins de réadaptation.

Fourni par l'Institut de technologie de Pékin Press Co., Ltd