利用模拟数据和真实数据进行迁移学习，可提升对拇指指尖侧向挤压力的预测精度

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Transfer Learning with Simulated and Recorded Data Improves Predictions of Lateral Pinch Thumb-Tip Forces

　　

摘要：

机器学习是用于模拟复杂运动的强大工具。然而，获取生物力学数据的高成本往往限制了观测数量，进而影响机器学习模型的通用性。与此同时，目前已有的肌肉骨骼仿真模型在为这些预测提供依据方面具有未被充分利用的潜力。本研究旨在探讨在肌肉骨骼仿真数据和实际记录数据上都进行训练的迁移学习模型，是否比仅使用实际实验数据训练的直接学习模型表现更好。对于迁移学习模型，我们利用包含6,594次侧向捏合仿真的数据集，训练一个长短期记忆神经网络，以根据肌肉激活情况预测拇指尖的三分量力。我们将这个预训练好的神经网络与一个前馈架构相结合，并使用实际记录的数据（n=12名受试者）对模型进行微调。前馈架构利用了长短期记忆神经网络的输出以及受试者的静态特征（如人体测量数据）。随后，我们仅使用实际记录的数据，用类似的架构训练了一个直接学习模型。迁移学习模型和直接学习模型均通过随机搜索进行参数优化，并进行了五折交叉验证。为明确仿真预训练的影响，我们使用留出法（n=3名受试者）对两种神经网络进行了验证并比较了它们的测试误差。结果显示，迁移学习模型的绝对误差显著更低（p = 0.04），性能优于直接学习模型。我们的研究结果表明，利用肌肉骨骼仿真模型可以增强机器学习模型，从而提升仿真数据集的实用性，进而可能提高对现实世界生物力学的预测精度。