論文の概要: sEMG Gesture Recognition with a Simple Model of Attention

• arxiv url: http://arxiv.org/abs/2006.03645v2
• Date: Wed, 18 Nov 2020 10:07:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 03:35:34.429022
• Title: sEMG Gesture Recognition with a Simple Model of Attention
• Title（参考訳）: 簡単な注意モデルを用いたsEMGジェスチャー認識
• Authors: David Josephs, Carson Drake, Andrew Heroy, John Santerre
• Abstract要約: 表面筋電図(sEMG)信号の分類について述べる。 新たなアテンションベースモデルにより,複数の業界標準データセットのベンチマーク結果が得られた。 この結果から,sEMGは将来の機械学習研究の道のりとして有望であることが示唆された。
• 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: Myoelectric control is one of the leading areas of research in the field of robotic prosthetics. We present our research in surface electromyography (sEMG) signal classification, where our simple and novel attention-based approach now leads the industry, universally beating more complex, state-of-the-art models. Our novel attention-based model achieves benchmark leading results on multiple industry-standard datasets including 53 finger, wrist, and grasping motions, improving over both sophisticated signal processing and CNN-based approaches. Our strong results with a straightforward model also indicate that sEMG represents a promising avenue for future machine learning research, with applications not only in prosthetics, but also in other important areas, such as diagnosis and prognostication of neurodegenerative diseases, computationally mediated surgeries, and advanced robotic control. We reinforce this suggestion with extensive ablative studies, demonstrating that a neural network can easily extract higher order spatiotemporal features from noisy sEMG data collected by affordable, consumer-grade sensors.
• Abstract（参考訳）: 筋電制御は、ロボット人工装具分野における主要な研究分野の1つである。 我々は、表面筋電図(sEMG)信号分類の研究を行い、そこでは、単純で斬新な注意に基づくアプローチが業界をリードし、より複雑で最先端のモデルを普遍的に打ち負かしている。 新たなアテンションベースモデルでは,53本の指,手首,握り動作を含む業界標準データセットのベンチマークを達成し,高度な信号処理とCNNベースのアプローチの両面で改善した。 直感的なモデルによる強い結果は、sEMGが人工装具だけでなく、神経変性疾患の診断と予後、コンピュータによる外科手術、高度なロボット制御など、他の重要な分野にも応用できる将来的な機械学習研究の道のりであることを示唆している。 我々はこの提案を広範囲なアブレーション研究によって補強し、安価な消費者級センサによって収集されたノイズの多いsegデータからニューラルネットワークが高次時空間的特徴を容易に抽出できることを実証する。

関連論文リスト

• FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
  FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T04:22:40Z)
• FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations [1.3852370777848657]
  表面筋電図(sEMG)信号はジェスチャー認識と頑健な義手発達に重要な可能性を秘めている。 本研究は、3つの異なる方向をまたいだ手の動きを評価するための新しいMFI sEMGデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-03T14:23:06Z)
• A Non-Intrusive Neural Quality Assessment Model for Surface Electromyography Signals [19.894088480632217]
  本研究では,SEMG信号のSNRを予測する新しい非侵入モデルQASE-netを提案する。 実験フレームワークは,2つのオープンアクセスデータベースから実世界のsEMGとECGデータを利用する。
  論文  参考訳（メタデータ） (2024-02-08T08:23:33Z)
• Synthesizing Affective Neurophysiological Signals Using Generative Models: A Review Paper [28.806992102323324]
  マシンにおける感情的知性の統合は、人間とコンピュータの相互作用を前進させる重要なステップである。 公的な感情的データセットの不足は、課題である。 我々は、神経生理学的信号におけるこの問題に対処するための生成モデルの使用を強調した。
  論文  参考訳（メタデータ） (2023-06-05T08:38:30Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
  機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。 現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。 本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
  論文  参考訳（メタデータ） (2021-01-17T17:02:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。