Estimating continuous data of wrist joint angles using ultrasound images
作者: Yo Kobayashi, Yoshihiro Katagi
分类: cs.HC, cs.RO, eess.SP
发布日期: 2024-01-04
💡 一句话要点
利用超声图像估计腕关节角度以提升辅助设备控制性能
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 超声成像 关节角度估计 多元线性回归 运动分析 人机交互 康复医学
📋 核心要点
- 现有方法在关节角度估计中存在准确性不足和复杂度高的问题，限制了其在实际应用中的效果。
- 本研究提出了一种利用超声图像和多元线性回归模型的方案，通过提取超声图像特征来估计腕关节角度。
- 实验结果表明，该方法在所有试验中的均方根误差为1.82度，决定系数达到0.985，显著提高了估计准确性。
📝 摘要（中文）
超声成像最近被引入作为关节运动估计的传感接口。利用超声图像作为估计方法有望改善辅助设备和人机界面的控制性能。本研究旨在利用超声图像估计连续的腕关节角度。在实验中，获取了在伸展-屈曲运动期间的关节角度信息，并采集了相关肌肉的超声图像。通过从超声图像中提取的特征，采用多元线性回归模型来估计关节角度。使用光流法获得的特征点坐标作为多元线性回归模型的解释变量。结果显示，所有试验的估计准确度均值和标准差为均方根误差(RMSE)=1.82 ± 0.54度，决定系数(R²)=0.985 ± 0.009。与使用其他信号（如表面肌电图）的先前研究相比，我们的方法实现了高度准确的关节角度估计，同时多元线性回归模型简单，计算和模型训练成本低。
🔬 方法详解
问题定义：本研究旨在解决腕关节角度估计的准确性不足和现有方法复杂度高的问题。传统方法如表面肌电图在实际应用中存在局限性，难以实现高效和准确的关节运动估计。
核心思路：论文提出通过超声图像提取肌肉运动特征，结合多元线性回归模型来实现腕关节角度的连续估计。这种方法简单且计算成本低，适合实时应用。
技术框架：整体架构包括数据采集、特征提取和模型训练三个主要模块。首先，通过超声成像获取关节运动期间的图像数据；其次，利用光流法提取特征点坐标；最后，构建多元线性回归模型进行训练和测试。
关键创新：本研究的创新点在于将超声图像应用于关节角度估计，显著提高了估计的准确性和实时性。与传统的肌电图方法相比，超声图像提供了更丰富的运动信息。
关键设计：在模型设计中，采用多元线性回归作为估计方法，特征点坐标作为解释变量。损失函数采用均方误差，确保模型训练的有效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在所有试验中的均方根误差为1.82度，决定系数达到0.985，表现出优于传统方法的估计准确性，且模型训练和计算成本较低，具有良好的实用性。
🎯 应用场景
该研究的潜在应用领域包括康复医学、运动科学和人机交互等。通过提高腕关节角度的估计准确性，可以有效提升辅助设备的控制性能，改善患者的康复体验，促进智能设备与用户之间的交互效率。
📄 摘要（原文）
Ultrasound imaging has recently been introduced as a sensing interface for joint motion estimation. The use of ultrasound images as an estimation method is expected to improve the control performance of assistive devices and human--machine interfaces. This study aimed to estimate continuous wrist joint angles using ultrasound images. Specifically, in an experiment, joint angle information was obtained during extension--flexion movements, and ultrasound images of the associated muscles were acquired. Using the features obtained from ultrasound images, a multivariate linear regression model was used to estimate the joint angles. The coordinates of the feature points obtained using optical flow from the ultrasound images were used as explanatory variables of the multivariate linear regression model. The model was trained and tested for each trial by each participant to verify the estimation accuracy. The results show that the mean and standard deviation of the estimation accuracy for all trials were root mean square error (RMSE)=1.82 $\pm$ 0.54 deg and coefficient of determination (R2)=0.985 $\pm$ 0.009. Our method achieves a highly accurate estimation of joint angles compared with previous studies using other signals, such as surface electromyography, while the multivariate linear regression model is simple and both computational and model training costs are low.