Deep Learning rekonstruiert Muskelaktivität aus IMU-Daten

Eine neue Studie zeigt, dass Muskelaktivitäten, die traditionell mit Surface‑Electromyography (sEMG) erfasst werden, zuverlässig aus Daten von Inertial Measurement Units (IMUs) rekonstruiert werden können. sEMG liefert wichtige Einblicke in die Muskelarbeit, ist jedoch oft verrauscht und schwer zu erheben. IMUs dagegen sind robust, tragbar und bieten eine praktische Alternative zu aufwändigen Bewegungsaufzeichnungssystemen.

Forscher sammelten gleichzeitig sEMG‑ und IMU‑Signale bei verschiedenen Armbewegungen, wobei beide Sensoren mit 1 kHz abgetastet wurden. Anschließend trainierten sie ein Deep‑Learning‑Modell namens Sliding‑Window‑Wave‑Net, das auf dilated causal convolutions basiert, um die IMU‑Daten in synthetische sEMG‑Signale zu übersetzen. Das Modell konnte die zeitliche Abfolge und die grobe Form der Muskelaktivierungen präzise vorhersagen.

Obwohl die Spitzenamplituden der rekonstruierten Signale häufig etwas unterschätzt wurden, demonstriert die hohe zeitliche Genauigkeit die Machbarkeit dieser Methode für die Erkennung von Muskelabsichten. Potenzielle Anwendungen liegen in der Prothetik, bei der Rehabilitation und im Biofeedback, wo eine zuverlässige, nicht-invasive Muskelüberwachung entscheidend ist.