論文の概要: Deep Learning of Movement Intent and Reaction Time for EEG-informed
Adaptation of Rehabilitation Robots
- arxiv url: http://arxiv.org/abs/2002.08354v1
- Date: Tue, 18 Feb 2020 13:20:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 20:09:14.822311
- Title: Deep Learning of Movement Intent and Reaction Time for EEG-informed
Adaptation of Rehabilitation Robots
- Title（参考訳）: 脳波によるリハビリテーションロボット適応のための運動意図と反応時間の深層学習
- Authors: Neelesh Kumar and Konstantinos P. Michmizos
- Abstract要約: 適応は 運動学習の促進において リハビリテーションロボットにとって 重要なメカニズムです
本稿では,脳波を用いた深部畳み込みニューラルネットワーク(CNN)を提案する。
本研究は,脳波の同期データから,個別の運動成分が運動学習にどう関与するかを予測できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mounting evidence suggests that adaptation is a crucial mechanism for
rehabilitation robots in promoting motor learning. Yet, it is commonly based on
robot-derived movement kinematics, which is a rather subjective measurement of
performance, especially in the presence of a sensorimotor impairment. Here, we
propose a deep convolutional neural network (CNN) that uses
electroencephalography (EEG) as an objective measurement of two kinematics
components that are typically used to assess motor learning and thereby
adaptation: i) the intent to initiate a goal-directed movement, and ii) the
reaction time (RT) of that movement. We evaluated our CNN on data acquired from
an in-house experiment where 13 subjects moved a rehabilitation robotic arm in
four directions on a plane, in response to visual stimuli. Our CNN achieved
average test accuracies of 80.08% and 79.82% in a binary classification of the
intent (intent vs. no intent) and RT (slow vs. fast), respectively. Our results
demonstrate how individual movement components implicated in distinct types of
motor learning can be predicted from synchronized EEG data acquired before the
start of the movement. Our approach can, therefore, inform robotic adaptation
in real-time and has the potential to further improve one's ability to perform
the rehabilitation task.
- Abstract（参考訳）: リハビリテーションロボットが運動学習を促進する上で,適応性が重要なメカニズムであることが示唆された。
しかし、一般的にはロボットから派生した運動運動運動学に基づくもので、特に感覚運動障害の存在下でのパフォーマンスを主観的に測定する。
本稿では,心電図(eeg)を用いて,運動学習の評価や適応に一般的に用いられる2つの運動成分を客観的に測定する深層畳み込みニューラルネットワーク(cnn)を提案する。
一 目標指向運動を開始する意図、及び
二 その運動の反応時間(rt)
13名の被験者が視覚刺激に反応して4方向にリハビリテーションロボットアームを移動させた室内実験から得られたデータに基づいてCNNを評価した。
cnn はインテント (intent vs. no intent) と rt (slow vs. fast) のバイナリ分類において, 80.08% と 79.82% の平均試験精度を達成した。
運動開始前に取得した同期脳波データから,運動学習における個々の運動成分の関連性を予測できることを示す。
したがって,このアプローチはロボット適応をリアルタイムで知らせることができ,リハビリテーション作業を行う能力をさらに向上させる可能性がある。
関連論文リスト
- Modelling Human Visual Motion Processing with Trainable Motion Energy
Sensing and a Self-attention Network [1.9458156037869137]
本稿では,生体とコンピュータの視覚モデルとのギャップを埋めることで,人間の動作知覚のイメージ計算可能なモデルを提案する。
このモデルアーキテクチャは、生体視覚システムにおける運動知覚のコア構造であるV1-MTの計算を捉えることを目的としている。
サイリコ神経生理学では、我々のモデルの単位応答は、運動プーリングやスピードチューニングに関する哺乳類の神経記録に類似していることが明らかになっている。
論文 参考訳（メタデータ） (2023-05-16T04:16:07Z) - Deep learning-based approaches for human motion decoding in smart
walkers for rehabilitation [3.8791511769387634]
スマートウォーカーは、できるだけ早く人間の動きとニーズをデコードできなければならない。
現在の歩行者はウェアラブルや組込みセンサーの情報を用いて動きの意図を復号する。
早期の動作認識・検出問題として人間の動作復号化に対処する非接触アプローチを提案する。
論文 参考訳（メタデータ） (2023-01-13T14:29:44Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳（メタデータ） (2022-11-16T20:00:38Z) - Motor imagery classification using EEG spectrograms [9.05607520128194]
手足の動きの想像力(MI)は脳-コンピュータインタフェース(BCI)システムにとって重要である。
脳波(EEG)によるMI検出により,ユーザの動きの想像力を認識できる。
本稿では,前訓練した深層学習アルゴリズムを用いて上肢運動の分類を行う。
論文 参考訳（メタデータ） (2022-11-15T17:57:17Z) - Skeleton2Humanoid: Animating Simulated Characters for
Physically-plausible Motion In-betweening [59.88594294676711]
現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。
テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。
挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2022-10-09T16:15:34Z) - From Motion to Muscle [0.0]
筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。
このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
論文 参考訳（メタデータ） (2022-01-27T13:30:17Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳（メタデータ） (2021-03-22T12:42:16Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - Deep learning-based classification of fine hand movements from low
frequency EEG [5.414308305392762]
脳波信号から異なる手の動きの分類は、関連する研究課題である。
我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。
CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
論文 参考訳（メタデータ） (2020-11-13T07:16:06Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
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。