論文の概要: Effect of Analysis Window and Feature Selection on Classification of
Hand Movements Using EMG Signal
- arxiv url: http://arxiv.org/abs/2002.00461v4
- Date: Tue, 11 Aug 2020 18:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 20:22:56.312274
- Title: Effect of Analysis Window and Feature Selection on Classification of
Hand Movements Using EMG Signal
- Title（参考訳）: emg信号を用いた手の動き分類における分析ウィンドウと特徴選択の影響
- Authors: Asad Ullah, Sarwan Ali, Imdadullah Khan, Muhammad Asad Khan, Safiullah
Faizullah
- Abstract要約: 近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。
複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。
我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.20999222360659603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electromyography (EMG) signals have been successfully employed for driving
prosthetic limbs of a single or double degree of freedom. This principle works
by using the amplitude of the EMG signals to decide between one or two simpler
movements. This method underperforms as compare to the contemporary advances
done at the mechanical, electronics, and robotics end, and it lacks intuition.
Recently, research on myoelectric control based on pattern recognition (PR)
shows promising results with the aid of machine learning classifiers. Using the
approach termed as, EMG-PR, EMG signals are divided into analysis windows, and
features are extracted for each window. These features are then fed to the
machine learning classifiers as input. By offering multiple class movements and
intuitive control, this method has the potential to power an amputated subject
to perform everyday life movements. In this paper, we investigate the effect of
the analysis window and feature selection on classification accuracy of
different hand and wrist movements using time-domain features. We show that
effective data preprocessing and optimum feature selection helps to improve the
classification accuracy of hand movements. We use publicly available hand and
wrist gesture dataset of $40$ intact subjects for experimentation. Results
computed using different classification algorithms show that the proposed
preprocessing and features selection outperforms the baseline and achieve up to
$98\%$ classification accuracy.
- Abstract（参考訳）: 筋電図(EMG)信号は、単度または二重自由度の義肢の駆動に成功している。
この原理は、EMG信号の振幅を使って、1つまたは2つの単純な動きを決定する。
この方法は機械工学、電子工学、ロボティクスの分野で行われた現代の進歩と比べても劣るが、直観に欠ける。
近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。
EMG-PRと呼ばれる手法を用いて、EMG信号を解析窓に分割し、各窓の特徴を抽出する。
これらの機能は入力として機械学習分類器に送られる。
複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。
本稿では,分析ウィンドウと特徴選択が,時間領域特徴を用いた手指運動の分類精度に及ぼす影響について検討する。
我々は,手の動きの分類精度向上に有効なデータ前処理と最適特徴選択が有効であることを示す。
実験には40ドル(約4400円)で手や手首のジェスチャーデータセットを公開しています。
異なる分類アルゴリズムを用いて計算された結果は,提案する前処理と特徴選択がベースラインを上回り,最大98%の分類精度を達成していることを示している。
関連論文リスト
- Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
筋電図(EMG)信号を用いて手の動きを解析・分類する。
本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
論文 参考訳（メタデータ） (2024-11-23T21:29:51Z) - EMG-Based Hand Gesture Recognition through Diverse Domain Feature Enhancement and Machine Learning-Based Approach [1.8796659304823702]
表面筋電図(EMG)は手の動き認識と人間とコンピュータの相互作用において重要なツールである。
本研究では,EMG信号を用いた手動作の分類手法を提案する。
論文 参考訳（メタデータ） (2024-08-25T04:55:42Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - Classification of Upper Arm Movements from EEG signals using Machine
Learning with ICA Analysis [0.0]
本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。
不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
論文 参考訳（メタデータ） (2021-07-18T18:56:28Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - One to Many: Adaptive Instrument Segmentation via Meta Learning and
Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。
ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。
2つのデータセットで他の最先端のメソッドよりも優れています。
論文 参考訳（メタデータ） (2021-03-24T05:02:18Z) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳（メタデータ） (2021-03-23T19:45:26Z) - Heterogeneous Hand Guise Classification Based on Surface
Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。
現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。
本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
論文 参考訳（メタデータ） (2021-01-17T17:02:04Z) - Physical Action Categorization using Signal Analysis and Machine
Learning [2.430361444826172]
本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。
表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
論文 参考訳（メタデータ） (2020-08-16T18:43:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。