PerSiVal: deep neural networks for pervasive simulation of an activation-driven continuum-mechanical upper limb model¶
Rosin, David; Kässinger, Johannes; Yu, Xingyao et al. · 2026 · Medical & Biological Engineering & Computing
Metadata
Authors: Rosin, David; Kässinger, Johannes; Yu, Xingyao; Sedlmair, Michael; Avci, Okan; Bleiler, Christian; Röhrle, Oliver
📄 Quick Note¶
快速判断¶
- 一句话结论：本文提出一种密集连接的深度神经网络架构（PerSiVal），用于在资源受限设备（如 AR/移动端）上实现基于连续介质力学的肌肉骨骼系统仿真的实时可视化。
- 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
- 处理决定：保留参考
- 决定理由：该文与模型、计算框架与血管或细胞系统的机制研究相关；受限材料足以保留研究线索，但不足以支持全文级方法或稳健性判断。
摘要概述¶
本文提出一种密集连接的深度神经网络架构（PerSiVal），用于在资源受限设备（如 AR/移动端）上实现基于连续介质力学的肌肉骨骼系统仿真的实时可视化。作者以五肌肉激活驱动的上肢连续介质力学模型为数据源，先用稀疏网格代理模型捕捉肱二头肌表面变形，再用深度学习模型拟合从激活水平到表面网格节点位移的映射。在肱二头肌 2809 个表面节点上取得平均位置误差 0.97±0.16 mm（0.57±0.10%），CPU 上单次评估 9.88 ms、GPU 上 3.48 ms，对应理论帧率 101 fps / 287 fps，满足实时交互的 30 fps 下界。该工作作为复杂网格化生物力学模型实时可视化的概念验证，方法不依赖肌肉系统的固有特性，可推广到其他实时网格可视化场景。
关键证据¶
- 证据 1（定位）：Abstract
- 展示或报告：本文提出一种密集连接的深度神经网络架构（PerSiVal），用于在资源受限设备（如 AR/移动端）上实现基于连续介质力学的肌肉骨骼系统仿真的实时可视化。作者以五肌肉激活驱动的上肢连续介质力学模型为数据源，先用稀疏网格代理模型捕捉肱二头肌表面变形，再用深度学习模型拟合从激活水平到表面网格节点位移的映射。
- 支持的结论：本文提出一种密集连接的深度神经网络架构（PerSiVal），用于在资源受限设备（如 AR/移动端）上实现基于连续介质力学的肌肉骨骼系统仿真的实时可视化。
- 注意事项：仅据受限 quick source；方法细节、完整定量结果与稳健性分析本次未核实。
局限与未核实项¶
- 最大局限：当前仅完成 quick triage，不能据此确认正文中的全部实验、模型或统计假设。
- 未核实项：完整方法、样本或参数设置、敏感性分析、局限讨论及数据与代码可用性。
与我的关联¶
- 可复用点：文中的模型或计算框架可作为相关建模工作的候选参考；具体方程、参数与适用条件本次未核实。
- 关联的当前问题：该工作展示了"高保真 FE 仿真 + 代理模型 + 深度学习"组合实现实时可视化的通用范式，对需要在边缘/移动设备上加速生物力学连续介质仿真结果展示的场景具有方法学参考价值；其稀疏网格采样与神经网络代理建模的组合思路可迁移到其他实时 PDE 可视化任务。
- 下一步动作：保留参考；仅在当前问题需要其完整方法或定量证据时升级为 deep note。