論文の概要: Inexpensive surface electromyography sleeve with consistent electrode placement enables dexterous and stable prosthetic control through deep learning

• arxiv url: http://arxiv.org/abs/2003.00070v1
• Date: Fri, 28 Feb 2020 21:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:47:59.829431
• Title: Inexpensive surface electromyography sleeve with consistent electrode placement enables dexterous and stable prosthetic control through deep learning
• Title（参考訳）: 電極配置が一貫した難治性表面筋電図スリーブは、深層学習による異所性および安定した補綴制御を可能にする
• Authors: Jacob A. George, Anna Neibling, Michael D. Paskett, Gregory A. Clark
• Abstract要約: 我々は,32個の単極電極を組込み,より堅牢かつ繰り返し可能な表面筋電図を記録できる安価なドンスリーブを開発した。 7人の無傷参加者のデータは、スリーブの信号対雑音比が14、ドンタイムが11秒未満、電極配置の精度がサブセンチメートルであることを示している。
• 参考スコア（独自算出の注目度）: 0.4151073288078748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dexterity of conventional myoelectric prostheses is limited in part by the small datasets used to train the control algorithms. Variations in surface electrode positioning make it difficult to collect consistent data and to estimate motor intent reliably over time. To address these challenges, we developed an inexpensive, easy-to-don sleeve that can record robust and repeatable surface electromyography from 32 embedded monopolar electrodes. Embedded grommets are used to consistently align the sleeve with natural skin markings (e.g., moles, freckles, scars). The sleeve can be manufactured in a few hours for less than $60. Data from seven intact participants show the sleeve provides a signal-to-noise ratio of 14, a don-time under 11 seconds, and sub-centimeter precision for electrode placement. Furthermore, in a case study with one intact participant, we use the sleeve to demonstrate that neural networks can provide simultaneous and proportional control of six degrees of freedom, even 263 days after initial algorithm training. We also highlight that consistent recordings, accumulated over time to establish a large dataset, significantly improve dexterity. These results suggest that deep learning with a 74-layer neural network can substantially improve the dexterity and stability of myoelectric prosthetic control, and that deep-learning techniques can be readily instantiated and further validated through inexpensive sleeves/sockets with consistent recording locations.
• Abstract（参考訳）: 従来の筋電義歯のデキスタリティは、部分的には制御アルゴリズムのトレーニングに使われる小さなデータセットによって制限されている。 表面電極位置の変動により、一貫したデータを収集し、時間とともに確実にモータの意図を推定することが困難になる。 この課題に対処するために,32個の埋込型単極電極からロバストで繰り返し可能な表面筋電図を記録できる安価なスリーブを開発した。 埋め込まれたグロメットは、スリーブを天然の皮膚マーキング(モグラ、ヒラメ、傷跡など)と一貫して調整するために使用される。 スリーブは数時間で60ドル以下で製造できる。 7人の無傷参加者のデータは、スリーブの信号対雑音比が14、ドンタイムが11秒未満、電極配置の精度がサブセンチメートルであることを示している。 さらに,1人の無傷参加者を対象としたケーススタディでは,最初のアルゴリズムトレーニングから263日経っても,ニューラルネットワークが6自由度を同時にかつ比例的に制御できることを示すためにスリーブを用いた。 また、大規模なデータセットを確立するために時間とともに蓄積された一貫した記録がデクスタリティを著しく改善する点も強調する。 以上の結果から,74層ニューラルネットワークを用いた深層学習は筋電義足制御のデクタリティと安定性を著しく向上し,安価で安定した記録位置のスリーブ/ソッケを用いて,深層学習技術を容易にインスタンス化し,さらに検証することができることが示唆された。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Demo: Multi-Modal Seizure Prediction System [9.940843218393198]
  SeizNetは、マルチモーダルセンサーネットワークから恩恵を受けるてんかん発作を予測する革新的なシステムである。 てんかんは世界中で約6500万人に影響を及ぼし、その多くは薬剤耐性の発作を経験している。 SeizNetは、移植可能なデバイスのサイズとエネルギー制限を維持しながら、発作予測において97%の精度を達成する。
  論文  参考訳（メタデータ） (2024-11-01T18:21:37Z)
• A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures [10.250114060511134]
  本稿では,発作の進行(発生に間に合う)予測を目的とした革新的なフレームワークを提案する。 本フレームワークでは,非侵襲脳波(EEG)および心電図(ECG)センサのネットワークから,高度なディープラーニング(DL)技術を用いてパーソナライズされたデータを利用する。 29例中95%の感度,98%の特異性,97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-10-26T04:06:09Z)
• A Tiny Transformer for Low-Power Arrhythmia Classification on Microcontrollers [10.203375838335935]
  心電図(ECG)信号のリアルタイム解析と不整脈などの心臓状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルによって表現される。 我々は、MIT-BIH Arrhythmiaデータベースから最も一般的な5つの不整脈クラスを認識する際に、わずか6kパラメータしか必要とせず、98.97%の精度でECG信号を解析するための小さなトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-16T15:14:16Z)
• Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised Convolutional Neural Networks [25.160063477248904]
  心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。 このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。 最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
  論文  参考訳（メタデータ） (2022-06-14T11:47:04Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。