論文の概要: Classification of Hand Gestures from Wearable IMUs using Deep Neural
Network
- arxiv url: http://arxiv.org/abs/2005.00410v1
- Date: Mon, 27 Apr 2020 01:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:05:14.340065
- Title: Classification of Hand Gestures from Wearable IMUs using Deep Neural
Network
- Title(参考訳): ディープニューラルネットワークを用いたウェアラブルIMUのハンドジェスチャの分類
- Authors: Karush Suri, Rinki Gupta
- Abstract要約: 慣性測定ユニット(Inertial Measurement Unit, IMU)は3軸加速度計とジャイロスコープで構成される。
本稿では,ウェアラブルIMUセンサから得られる手の動きを分類するために,Deep Neural Network (DNN) を用いた新しい分類手法を提案する。
- 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: IMUs are gaining significant importance in the field of hand gesture
analysis, trajectory detection and kinematic functional study. An Inertial
Measurement Unit (IMU) consists of tri-axial accelerometers and gyroscopes
which can together be used for formation analysis. The paper presents a novel
classification approach using a Deep Neural Network (DNN) for classifying hand
gestures obtained from wearable IMU sensors. An optimization objective is set
for the classifier in order to reduce correlation between the activities and
fit the signal-set with best performance parameters. Training of the network is
carried out by feed-forward computation of the input features followed by the
back-propagation of errors. The predicted outputs are analyzed in the form of
classification accuracies which are then compared to the conventional
classification schemes of SVM and kNN. A 3-5% improvement in accuracies is
observed in the case of DNN classification. Results are presented for the
recorded accelerometer and gyroscope signals and the considered classification
schemes.
- Abstract(参考訳): IMUは手の動き解析、軌跡検出、運動機能研究において重要な役割を担っている。
慣性測定ユニット(imu)は、三軸加速度計とジャイロスコープからなり、一緒に形成分析に使用できる。
本稿では,ウェアラブルIMUセンサから得られる手の動きを分類するために,Deep Neural Network (DNN) を用いた新しい分類手法を提案する。
動作間の相関を減らし、信号セットを最高の性能パラメータに適合させるために、分類器の最適化目標を設定する。
ネットワークのトレーニングは、入力特徴のフィードフォワード計算と、エラーのバックプロパゲーションによって行われる。
予測された出力は分類精度の形で分析され、SVMやkNNの従来の分類方式と比較される。
DNN分類では, 35%の精度向上が見られた。
記録された加速度計とジャイロスコープの信号および検討された分類方式について結果を示す。
関連論文リスト
- Research on gesture recognition method based on SEDCNN-SVM [23.334616185686]
異なるジェスチャーのsEMGを認識するためにSEDCNN-SVMを提案する。
SEDCNN-SVMは、改良されたディープ畳み込みニューラルネットワーク(DCNN)とサポートベクターマシン(SVM)から構成される。
論文 参考訳(メタデータ) (2024-10-24T09:02:56Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。
弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文 参考訳(メタデータ) (2024-05-07T07:51:28Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳(メタデータ) (2022-05-31T22:28:34Z) - CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。
信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。
ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文 参考訳(メタデータ) (2021-05-17T14:57:13Z) - Multi-Sample Online Learning for Spiking Neural Networks based on
Generalized Expectation Maximization [42.125394498649015]
スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。
本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。
鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
論文 参考訳(メタデータ) (2021-02-05T16:39:42Z) - Margin-Based Regularization and Selective Sampling in Deep Neural
Networks [7.219077740523683]
我々は、ディープニューラルネットワーク(DNN)のための新しいマージンベース正規化形式、MMR(Multi-margin regularization)を導出する。
CIFAR10, CIFAR100, ImageNet上で, MNLI, QQP, QNLI, MRPC, SST-2, RTEベンチマークのための最先端畳み込みニューラルネットワーク(CNN)とBERT-BASEアーキテクチャを用いて, 実験結果の改善を示す。
論文 参考訳(メタデータ) (2020-09-13T15:06:42Z) - Score-informed Networks for Music Performance Assessment [64.12728872707446]
MPAモデルにスコア情報を組み込んだディープニューラルネットワークに基づく手法はまだ研究されていない。
スコアインフォームド性能評価が可能な3つのモデルを提案する。
論文 参考訳(メタデータ) (2020-08-01T07:46:24Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳(メタデータ) (2020-06-07T07:06:35Z) - Multi-Lead ECG Classification via an Information-Based Attention
Convolutional Neural Network [1.1720399305661802]
1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。
残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。
分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
論文 参考訳(メタデータ) (2020-03-25T02:28:04Z)
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。