論文の概要: Facial movement synergies and Action Unit detection from distal wearable
Electromyography and Computer Vision
- arxiv url: http://arxiv.org/abs/2008.08791v1
- Date: Thu, 20 Aug 2020 06:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 04:17:01.559877
- Title: Facial movement synergies and Action Unit detection from distal wearable
Electromyography and Computer Vision
- Title(参考訳): 遠位ウェアラブル筋電図とコンピュータビジョンによる顔面運動シナジーと行動単位検出
- Authors: Monica Perusquia-Hernandez, Felix Dollack, Chun Kwang Tan, Shushi
Namba, Saho Ayabe-Kanamura, Kenji Suzuki
- Abstract要約: 遠位顔面筋電図は、適切な精度で笑顔や顔を検出できる。
しかし,筋電図計測では顔面運動の正確な原因が不明であることが示唆された。
本稿では、顔面遠位筋電図とコンピュータビジョンから特定の顔行動単位(AU)を推定する新しい手法を提案する。
- 参考スコア(独自算出の注目度): 1.9901540902095132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distal facial Electromyography (EMG) can be used to detect smiles and frowns
with reasonable accuracy. It capitalizes on volume conduction to detect
relevant muscle activity, even when the electrodes are not placed directly on
the source muscle. The main advantage of this method is to prevent occlusion
and obstruction of the facial expression production, whilst allowing EMG
measurements. However, measuring EMG distally entails that the exact source of
the facial movement is unknown. We propose a novel method to estimate specific
Facial Action Units (AUs) from distal facial EMG and Computer Vision (CV). This
method is based on Independent Component Analysis (ICA), Non-Negative Matrix
Factorization (NNMF), and sorting of the resulting components to determine
which is the most likely to correspond to each CV-labeled action unit (AU).
Performance on the detection of AU06 (Orbicularis Oculi) and AU12 (Zygomaticus
Major) was estimated by calculating the agreement with Human Coders. The
results of our proposed algorithm showed an accuracy of 81% and a Cohen's Kappa
of 0.49 for AU6; and accuracy of 82% and a Cohen's Kappa of 0.53 for AU12. This
demonstrates the potential of distal EMG to detect individual facial movements.
Using this multimodal method, several AU synergies were identified. We
quantified the co-occurrence and timing of AU6 and AU12 in posed and
spontaneous smiles using the human-coded labels, and for comparison, using the
continuous CV-labels. The co-occurrence analysis was also performed on the
EMG-based labels to uncover the relationship between muscle synergies and the
kinematics of visible facial movement.
- Abstract(参考訳): 遠位顔面筋電図(EMG)は、笑顔や顔を正確に検出するために用いられる。
電極がソース筋に直接置かれていない場合でも、ボリューム伝導を利用して関連する筋活動を検出する。
この方法の主な利点は、EMG測定を可能にしながら、表情生成の閉塞と妨害を防止することである。
しかし、emgの測定は、顔の動きの正確な原因が不明であることを意味する。
本稿では、顔面遠位筋電図とコンピュータビジョン(CV)から特定の顔行動単位(AU)を推定する新しい手法を提案する。
この方法は、独立成分分析(ica)、非負行列分解(nnmf)、および得られた成分のソートに基づいて、それぞれのcvラベルアクションユニット(au)に対応する最も可能性が高いかを決定する。
AU06 (Orbicularis Oculi) とAU12 (Zygomaticus Major) の検出性能は, 人間のコーダーとの合意を算出して推定した。
その結果,au6では81%,au12では0.49,au12では82%,cohen's kappaは0.53であった。
このことは、個々の顔の動きを検出する遠位筋電図の可能性を示している。
このマルチモーダル法を用いて、いくつかのAUシナジーが同定された。
AU6 と AU12 の同時発生とタイミングの定量化を人為的ラベルを用いて行い,連続的な CV ラベルを用いて比較した。
筋相乗効果と可視性顔面運動の運動動態との関係を明らかにするため,emgラベルを用いた共起分析を行った。
関連論文リスト
- DEMIST: A deep-learning-based task-specific denoising approach for
myocardial perfusion SPECT [17.994633874783144]
MPI SPECT画像(DEMIST)を識別するタスク固有深層学習手法を提案する。
この手法は、デノゲーションを行う一方で、検出タスクにおけるオブザーバのパフォーマンスに影響を与える特徴を保存するように設計されている。
以上の結果から,MPI SPECTで低位像を呈示するDEMISTのさらなる臨床評価が示唆された。
論文 参考訳(メタデータ) (2023-06-07T08:40:25Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - A kinetic approach to consensus-based segmentation of biomedical images [58.720142291102135]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - A novel deep learning-based approach for sleep apnea detection using
single-lead ECG signals [7.625967596570493]
睡眠時無呼吸症(Sleep apnea、SA)は、睡眠障害の一種。
ECGに基づくSA検出に関する最近の研究は、機能工学技術に焦点を当てている。
本研究では,Sピークの検出に基づく特徴抽出手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T23:46:20Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳(メタデータ) (2021-04-29T00:11:32Z) - Multimodal Fusion of EMG and Vision for Human Grasp Intent Inference in
Prosthetic Hand Control [11.400385533782204]
前腕の視線映像,視線,筋電図を用いた意図推定のためのベイズ的エビデンス融合フレームワークを提案する。
我々は、手が物体に近づくと、時間関数として個人と融合性能を解析し、それを把握する。
論文 参考訳(メタデータ) (2021-04-08T17:01:19Z) - Towards Creating a Deployable Grasp Type Probability Estimator for a
Prosthetic Hand [11.008123712007402]
InceptionV3は0.95角類似度で最高精度を達成し、1.4 MobileNetV2は0.93で動作量は20%である。
我々の研究は、機械学習とコンピュータビジョンによるEMGインテント推論を物理的状態の確率で拡張することを可能にする。
論文 参考訳(メタデータ) (2021-01-13T21:39:41Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - Left Ventricular Wall Motion Estimation by Active Polynomials for Acute
Myocardial Infarction Detection [18.93271742586598]
本稿では, 左室壁の大域的運動を, 頑健かつ正確な方法で正確に推定できる新しい手法であるActive Polynomialsを提案する。
提案アルゴリズムは,急性MIの早期診断を支援するために,LV壁セグメントに発生する真の壁運動を定量化する。
論文 参考訳(メタデータ) (2020-08-11T10:29:22Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。