論文の概要: Feature selection for gesture recognition in Internet-of-Things for
healthcare
- arxiv url: http://arxiv.org/abs/2005.11031v1
- Date: Fri, 22 May 2020 06:54:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 08:59:07.097920
- Title: Feature selection for gesture recognition in Internet-of-Things for
healthcare
- Title(参考訳): 医療用インターネットにおけるジェスチャー認識のための特徴選択
- Authors: Giulia Cisotto, Martina Capuzzo, Anna V. Guglielmi, Andrea Zanella
- Abstract要約: ジェスチャー認識の文脈では、脳波とEMGを同時に記録して、達成されているジェスチャーと、そのパフォーマンスの質を識別することができる。
そこで本研究では, (i) 選択した特徴の自然な意味を維持するために, (i) 最も重要な特徴をしっかりと抽出し, (ii) 異なる把握課題を分類することを目的とした新しいアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 10.155382321743181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Things is rapidly spreading across several fields, including
healthcare, posing relevant questions related to communication capabilities,
energy efficiency and sensors unobtrusiveness. Particularly, in the context of
recognition of gestures, e.g., grasping of different objects, brain and
muscular activity could be simultaneously recorded via EEG and EMG,
respectively, and analyzed to identify the gesture that is being accomplished,
and the quality of its performance. This paper proposes a new algorithm that
aims (i) to robustly extract the most relevant features to classify different
grasping tasks, and (ii) to retain the natural meaning of the selected
features. This, in turn, gives the opportunity to simplify the recording setup
to minimize the data traffic over the communication network, including
Internet, and provide physiologically significant features for medical
interpretation. The algorithm robustness is ensured both by consensus
clustering as a feature selection strategy, and by nested cross-validation
scheme to evaluate its classification performance.
- Abstract(参考訳): モノのインターネット(internet of things, モノのインターネット)は、医療、コミュニケーション能力、エネルギー効率、センサーなど、さまざまな分野に急速に普及している。
特に、ジェスチャ認識の文脈において、例えば、異なる対象の把握において、脳波と筋電図を介して、脳と筋活動を同時に記録し、達成されたジェスチャと、そのパフォーマンスの質を識別するために分析することができる。
本稿では,新しいアルゴリズムを提案する。
(i)最も重要な特徴をしっかり抽出して、異なる把握タスクを分類し、
(ii)選択された特徴の自然な意味を保つこと。
これにより、インターネットを含む通信ネットワーク上のデータトラフィックを最小限に抑えるための記録設定を簡素化し、医学的解釈のための生理学的に重要な特徴を提供する。
アルゴリズムのロバスト性は、特徴選択戦略としてのコンセンサスクラスタリングと、その分類性能を評価するためのネスト型クロスバリデーションスキームの両方によって保証される。
関連論文リスト
- YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。
Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
論文 参考訳(メタデータ) (2024-03-01T03:20:42Z) - Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-10-22T03:47:11Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - Human Haptic Gesture Interpretation for Robotic Systems [3.888848425698769]
物理的人間とロボットの相互作用(pHRI)は、人間と人間の相互作用よりも効率的でコミュニケーションが難しい。
主な理由は、ロボットシステムにおける情報的な触覚の欠如である。
本研究は,文献で特定されるジェスチャーの特徴の大部分をカバーする4つのタッチジェスチャークラスを提案する。
論文 参考訳(メタデータ) (2020-12-03T14:33:57Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳(メタデータ) (2020-11-03T11:00:10Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-25T02:15:24Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-15T23:57:36Z) - Few-Shot Relation Learning with Attention for EEG-based Motor Imagery
Classification [11.873435088539459]
脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。
運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。
脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
論文 参考訳(メタデータ) (2020-03-03T02:34:44Z) - Cross-modality Person re-identification with Shared-Specific Feature
Transfer [112.60513494602337]
クロスモダリティの人物再識別(cm-ReID)は、インテリジェントビデオ分析において難しいが重要な技術である。
モーダリティ共有型特徴伝達アルゴリズム (cm-SSFT) を提案し, モーダリティ共有型情報とモーダリティ固有特性の両方のポテンシャルについて検討する。
論文 参考訳(メタデータ) (2020-02-28T00:18:45Z) - Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for
Biomedical and Biological Images [91.41909587856104]
本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。
提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。
様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
論文 参考訳(メタデータ) (2020-02-15T09:19:41Z)
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。