論文の概要: A temporal-to-spatial deep convolutional neural network for
classification of hand movements from multichannel electromyography data
- arxiv url: http://arxiv.org/abs/2007.10879v2
- Date: Wed, 19 Aug 2020 08:07:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 00:08:43.207897
- Title: A temporal-to-spatial deep convolutional neural network for
classification of hand movements from multichannel electromyography data
- Title（参考訳）: 多チャンネル筋電図データから手の動きを分類する時空間深部畳み込みニューラルネットワーク
- Authors: Adam Hartwell, Visakan Kadirkamanathan, Sean R. Anderson
- Abstract要約: 我々は,マルチチャネルsEMGのための深部CNNにおける初期処理層の設計を提案し,評価する新しい貢献を行う。
本稿では,各sEMGチャネル上で第1層が個別に畳み込みを行い,時間的特徴を抽出する,新しい時間的空間的CNNアーキテクチャを提案する。
我々の新しいTtS CNN設計はデータベース1では66.6%、データベース2では67.8%の精度を実現している。
- 参考スコア（独自算出の注目度）: 0.14502611532302037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep convolutional neural networks (CNNs) are appealing for the purpose of
classification of hand movements from surface electromyography (sEMG) data
because they have the ability to perform automated person-specific feature
extraction from raw data. In this paper, we make the novel contribution of
proposing and evaluating a design for the early processing layers in the deep
CNN for multichannel sEMG. Specifically, we propose a novel temporal-to-spatial
(TtS) CNN architecture, where the first layer performs convolution separately
on each sEMG channel to extract temporal features. This is motivated by the
idea that sEMG signals in each channel are mediated by one or a small subset of
muscles, whose temporal activation patterns are associated with the signature
features of a gesture. The temporal layer captures these signature features for
each channel separately, which are then spatially mixed in successive layers to
recognise a specific gesture. A practical advantage is that this approach also
makes the CNN simple to design for different sample rates. We use NinaPro
database 1 (27 subjects and 52 movements + rest), sampled at 100 Hz, and
database 2 (40 subjects and 40 movements + rest), sampled at 2 kHz, to evaluate
our proposed CNN design. We benchmark against a feature-based support vector
machine (SVM) classifier, two CNNs from the literature, and an additional
standard design of CNN. We find that our novel TtS CNN design achieves 66.6%
per-class accuracy on database 1, and 67.8% on database 2, and that the TtS CNN
outperforms all other compared classifiers using a statistical hypothesis test
at the 2% significance level.
- Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)は、表面筋電図(SEMG)データから手の動きを分類する目的で、原データから人固有の自動抽出を行う能力を持っている。
本稿では,マルチチャネルsEMGのための深部CNNにおける初期処理層の設計を提案し,評価する新手法を提案する。
具体的には、第1層が各sEMGチャネル上で個別に畳み込みを行い、時間的特徴を抽出する新しい時間空間CNNアーキテクチャを提案する。
これは、各チャネルのsEMG信号が1つまたは少数の筋肉のサブセットによって媒介されるという考えに動機付けられており、その時間的活性化パターンはジェスチャーの署名的特徴と関連している。
時間層は、各チャネルのこれらのシグネチャ特徴を別々にキャプチャし、その後、連続層に空間的に混合して特定のジェスチャーを認識する。
実用的な利点は、このアプローチがcnnを異なるサンプルレートで設計しやすくすることである。
我々は,NinaProデータベース1(被験者27名,運動52名,静止52名)を100Hzで,データベース2(被験者40名,運動40名,静止40名)を2kHzで,提案したCNN設計を評価する。
我々は,機能ベースサポートベクトルマシン(SVM)分類器,文献からの2つのCNN,CNNのさらなる標準設計に対してベンチマークを行った。
我々は,新しいtts cnn設計により,データベース1では66.6%,データベース2では67.8%の精度を達成し,2%の重要度で統計的仮説テストを用いて,他のすべての比較分類器を上回った。
関連論文リスト
- Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文 参考訳（メタデータ） (2023-11-06T15:32:50Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。
既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。
本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
論文 参考訳（メタデータ） (2021-11-16T08:01:16Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。
以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。
クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文 参考訳（メタデータ） (2020-11-03T03:27:18Z) - Efficient Arabic emotion recognition using deep neural networks [21.379338888447602]
音声信号からの感情認識の問題に対処するために,2つのニューラルアーキテクチャを実装した。
1つは注意に基づくCNN-LSTM-DNNモデル、もう1つは深層CNNモデルである。
アラビア語音声の感情認識タスクの結果から,我々の革新的なアプローチが大きな改善をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-10-31T19:39:37Z) - Video-based Facial Expression Recognition using Graph Convolutional
Networks [57.980827038988735]
我々は、ビデオベースの表情認識のための共通のCNN-RNNモデルに、GCN(Graph Convolutional Network)層を導入する。
我々は、CK+、Oulu-CASIA、MMIの3つの広く使われているデータセットと、AFEW8.0の挑戦的なワイルドデータセットについて、本手法の評価を行った。
論文 参考訳（メタデータ） (2020-10-26T07:31:51Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Exploring Deep Hybrid Tensor-to-Vector Network Architectures for
Regression Based Speech Enhancement [53.47564132861866]
我々は、CNN-TTというハイブリッドアーキテクチャが、モデルパラメータを小さくして高品質な性能を維持することができることを見出した。
CNN-TTは、音声品質を改善するために、特徴抽出のために下部に複数の畳み込み層で構成されている。
論文 参考訳（メタデータ） (2020-07-25T22:21:05Z) - Multistream CNN for Robust Acoustic Modeling [17.155489701060542]
マルチストリームCNNは音声認識タスクにおけるロバスト音響モデリングのための新しいニューラルネットワークアーキテクチャである。
我々は、カルディの最良のTDNN-Fモデルに対して、様々なデータセットで一貫した改善を示す。
リアルタイム係数では、マルチストリームCNNはベースラインのTDNN-Fを15%上回る。
論文 参考訳（メタデータ） (2020-05-21T05:26:15Z) - Human Activity Recognition using Multi-Head CNN followed by LSTM [1.8830374973687412]
本研究では,CNNとLSTMを用いた新しい身体活動認識法を提案する。
提案手法を用いて,従来の機械学習アルゴリズムや他のディープニューラルネットワークアルゴリズムに匹敵する最先端の精度を実現する。
論文 参考訳（メタデータ） (2020-02-21T14:29:59Z)
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。