論文の概要: Physical Action Categorization using Signal Analysis and Machine
Learning
- arxiv url: http://arxiv.org/abs/2008.06971v2
- Date: Tue, 1 Feb 2022 06:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:07:34.832470
- Title: Physical Action Categorization using Signal Analysis and Machine
Learning
- Title（参考訳）: 信号解析と機械学習を用いた物理行動分類
- Authors: Asad Mansoor Khan, Ayesha Sadiq, Sajid Gul Khawaja, Norah Saleh
Alghamdi, Muhammad Usman Akram, Ali Saeed
- Abstract要約: 本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。
表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
- 参考スコア（独自算出の注目度）: 2.430361444826172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Daily life of thousands of individuals around the globe suffers due to
physical or mental disability related to limb movement. The quality of life for
such individuals can be made better by use of assistive applications and
systems. In such scenario, mapping of physical actions from movement to a
computer aided application can lead the way for solution. Surface
Electromyography (sEMG) presents a non-invasive mechanism through which we can
translate the physical movement to signals for classification and use in
applications. In this paper, we propose a machine learning based framework for
classification of 4 physical actions. The framework looks into the various
features from different modalities which contribution from time domain,
frequency domain, higher order statistics and inter channel statistics. Next,
we conducted a comparative analysis of k-NN, SVM and ELM classifier using the
feature set. Effect of different combinations of feature set has also been
recorded. Finally, the classifier accuracy with SVM and 1-NN based classifier
for a subset of features gives an accuracy of 95.21 and 95.83 respectively.
Additionally, we have also proposed that dimensionality reduction by use of PCA
leads to only a minor drop of less than 5.55% in accuracy while using only
9.22% of the original feature set. These finding are useful for algorithm
designer to choose the best approach keeping in mind the resources available
for execution of algorithm.
- Abstract（参考訳）: 世界中の何千人もの個人の日常生活は、四肢運動に関連する身体的または精神的な障害によって苦しめられている。
このような個人の生活の質は、補助的なアプリケーションやシステムを使うことで、より良くすることができる。
このようなシナリオでは、運動からコンピュータ支援アプリケーションへの物理的なアクションのマッピングが解決の道のりを導くことができる。
表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。
このフレームワークは、時間領域、周波数領域、高次統計、チャネル間統計から貢献する様々なモダリティの様々な特徴を考察する。
次に,特徴集合を用いたk-NN, SVM, ELM分類器の比較分析を行った。
特徴集合の異なる組み合わせの影響も記録されている。
最後に、機能のサブセットに対するSVMと1-NNベースの分類器による分類器の精度は、それぞれ95.21と95.83の精度を与える。
さらに,PCAによる次元減少は,元の特徴セットの9.22%しか使用せず,精度が5.55%未満の小さな低下にしかならないことも示唆している。
これらの発見はアルゴリズム設計者がアルゴリズムの実行に利用可能なリソースを念頭に置いて最良のアプローチを選択するのに役立つ。
関連論文リスト
- EMG-Based Hand Gesture Recognition through Diverse Domain Feature Enhancement and Machine Learning-Based Approach [1.8796659304823702]
表面筋電図(EMG)は手の動き認識と人間とコンピュータの相互作用において重要なツールである。
本研究では,EMG信号を用いた手動作の分類手法を提案する。
論文 参考訳（メタデータ） (2024-08-25T04:55:42Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。
認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。
我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2023-07-14T03:15:56Z) - Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
フェアネスと精度を両立させる特徴部分選択手法を提案する。
モデル性能の指標としてF1-Scoreを用いる。
最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
論文 参考訳（メタデータ） (2022-04-30T22:51:19Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - 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) - Stress Classification and Personalization: Getting the most out of the
least [18.528929583956725]
本稿では,新しい畳み込みニューラルネットワーク(CNN)を用いたストレス検出・分類フレームワークを提案する。
我々の手法は競争力があり、現在の最先端技術よりも優れています。
論文 参考訳（メタデータ） (2021-07-12T18:14:10Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Effect of Analysis Window and Feature Selection on Classification of
Hand Movements Using EMG Signal [0.20999222360659603]
近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。
複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。
我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
論文 参考訳（メタデータ） (2020-02-02T19:03:23Z)
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。