論文の概要: Activity Detection from Wearable Electromyogram Sensors using Hidden Markov Model

• arxiv url: http://arxiv.org/abs/2005.00107v1
• Date: Mon, 27 Apr 2020 01:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 05:05:41.067131
• Title: Activity Detection from Wearable Electromyogram Sensors using Hidden Markov Model
• Title（参考訳）: 隠れマルコフモデルを用いたウェアラブル筋電図センサからの活動検出
• Authors: Rinki Gupta, Karush Suri
• Abstract要約: 本研究は, 各種手の動きが記録されたときのsEMG信号を用いた隠れマルコフモデル(HMM)に基づく, 新たな活動検出手法を提案する。 活動開始は平均96.25%の精度で検出されるのに対し、活動終了領域は平均87.5%の精度で6つの活動と4つの被験者からなる。
• 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: Surface electromyography (sEMG) has gained significant importance during recent advancements in consumer electronics for healthcare systems, gesture analysis and recognition and sign language communication. For such a system, it is imperative to determine the regions of activity in a continuously recorded sEMG signal. The proposed work provides a novel activity detection approach based on Hidden Markov Models (HMM) using sEMG signals recorded when various hand gestures are performed. Detection procedure is designed based on a probabilistic outlook by making use of mathematical models. The requirement of a threshold for activity detection is obviated making it subject and activity independent. Correctness of the predicted outputs is asserted by classifying the signal segments around the detected transition regions as activity or rest. Classified outputs are compared with the transition regions in a stimulus given to the subject to perform the activity. The activity onsets are detected with an average of 96.25% accuracy whereas the activity termination regions with an average of 87.5% accuracy with the considered set of six activities and four subjects.
• Abstract（参考訳）: 表面筋電図 (semg) は, 近年の医療機器, ジェスチャー解析, 認識, 手話コミュニケーションの進歩において重要視されている。 このようなシステムでは、連続記録されたsEMG信号における活動領域を決定することが必須である。 本研究は, 各種手の動きが記録されたときのsEMG信号を用いた隠れマルコフモデル(HMM)に基づく新しい活動検出手法を提案する。 数学的モデルを用いて確率論的展望に基づいて検出手順を設計する。 アクティビティ検出のしきい値の要求は、対象とアクティビティを独立にすることを妨げる。 検出された遷移領域周辺の信号セグメントを活動または休息として分類することで、予測出力の正確性を主張する。 分類された出力は、被験者がアクティビティを実行するために与えられる刺激の遷移領域と比較される。 活動開始は平均96.25%の精度で検出されるのに対し、活動終了領域は平均87.5%の精度で6つの活動と4つの被験者からなる。

関連論文リスト

• Study on spike-and-wave detection in epileptic signals using t-location-scale distribution and the K-nearest neighbors classifier [0.0]
  そこで本研究では、t位置スケールの統計的表現に基づくてんかん性脳波信号のk-nearest近辺分類を行い、スパイク・アンド・ウェーブを検出する。 提案手法は、スパイク・アンド・ウェーブ現象と正常脳機能信号の両方を含む実際のデータセット上で実証される。
  論文  参考訳（メタデータ） (2024-05-21T21:52:08Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• CLAN: A Contrastive Learning based Novelty Detection Framework for Human Activity Recognition [3.0108863071498035]
  CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。 それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。 4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
  論文  参考訳（メタデータ） (2024-01-17T03:57:36Z)
• EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of Activities of Daily Living [8.854624631197941]
  データセットは、22のアクティビティを実行しながら、25人の有能な被験者から取得される。 5つのFAABOSカテゴリーの最先端の分類精度は83:21%である。 開発されたデータセットは、様々な分類方法のベンチマークとして使用することができる。
  論文  参考訳（メタデータ） (2023-01-09T13:20:45Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• 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)
• RF Sensing for Continuous Monitoring of Human Activities for Home Consumer Applications [13.353145284926986]
  ホームモニタリングのためのRFセンシングシステムについて報告する。 本システムは,日常生活活動(ADL)を認識し,ユニークな動作特性を検出する。 異なる動きの遷移時間と時間スパンの両方を見つけると、分類が改善される。
  論文  参考訳（メタデータ） (2020-03-21T16:52:26Z)

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。