論文の概要: Segmentation and Classification of EMG Time-Series During Reach-to-Grasp
Motion
- arxiv url: http://arxiv.org/abs/2104.09627v1
- Date: Mon, 19 Apr 2021 20:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:32:53.380313
- Title: Segmentation and Classification of EMG Time-Series During Reach-to-Grasp
Motion
- Title(参考訳): Reach-to-Grasp動作中の筋電図時系列の分割と分類
- Authors: Mo Han, Mehrshad Zandigohar, Mariusz P. Furmanek, Mathew Yarossi,
Gunar Schirner, Deniz Erdogmus
- Abstract要約: 動的アーム/ハンド姿勢の変動を伴う連続把握動作から発生するEMG信号を分類するためのフレームワークを提案する。
提案されたフレームワークはリアルタイムに評価され、時間とともに精度が変化した。
- 参考スコア(独自算出の注目度): 10.388787606334745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electromyography (EMG) signals have been widely utilized in human robot
interaction for extracting user hand and arm motion instructions. A major
challenge of the online interaction with robots is the reliable EMG recognition
from real-time data. However, previous studies mainly focused on using
steady-state EMG signals with a small number of grasp patterns to implement
classification algorithms, which is insufficient to generate robust control
regarding the dynamic muscular activity variation in practice. Introducing more
EMG variability during training and validation could implement a better
dynamic-motion detection, but only limited research focused on such
grasp-movement identification, and all of those assessments on the non-static
EMG classification require supervised ground-truth label of the movement
status. In this study, we propose a framework for classifying EMG signals
generated from continuous grasp movements with variations on dynamic arm/hand
postures, using an unsupervised motion status segmentation method. We collected
data from large gesture vocabularies with multiple dynamic motion phases to
encode the transitions from one intent to another based on common sequences of
the grasp movements. Two classifiers were constructed for identifying the
motion-phase label and grasp-type label, where the dynamic motion phases were
segmented and labeled in an unsupervised manner. The proposed framework was
evaluated in real-time with the accuracy variation over time presented, which
was shown to be efficient due to the high degree of freedom of the EMG data.
- Abstract(参考訳): エレクトロミオグラフィー(EMG)信号は、人間のロボットインタラクションにおいて、ユーザの手と腕の動き指示を抽出するために広く利用されている。
ロボットとのオンラインインタラクションの大きな課題は、リアルタイムデータからの信頼性の高いEMG認識である。
しかし, 従来の研究では, 少数の把持パターンを有する定常的筋電図信号を用いた分類アルゴリズムの実装が主であり, 動的筋活動変動に対するロバスト制御が不十分であった。
トレーニングとバリデーションの間により多くのEMG変数を導入することで、より優れた動的動き検出を実現することができるが、そのような把握動作の識別に焦点を絞った研究は限られており、非静的EMG分類に関するこれらの評価は、移動状態の教師付き地味ラベルを必要とする。
本研究では,連続的把持動作から発生する筋電図信号の動的アーム・ハンド姿勢の変化を教師なし動作分節法を用いて分類する枠組みを提案する。
我々は,複数の動的動作位相を持つ大規模ジェスチャー語彙からデータを収集し,握り動作の共通配列に基づいて,ある意図から別の目的への遷移を符号化した。
動作相ラベルと把持型ラベルを識別するために2つの分類器を構築し,動的動作相を分割し教師なしでラベル付けした。
提案手法は,emgデータの自由度が高いため,時間経過に伴う精度の変動をリアルタイムに評価した。
関連論文リスト
- Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
筋電図(EMG)信号を用いて手の動きを解析・分類する。
本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
論文 参考訳(メタデータ) (2024-11-23T21:29:51Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2024-08-13T15:21:46Z) - Neuromorphic Vision-based Motion Segmentation with Graph Transformer Neural Network [4.386534439007928]
本稿では,GTNNと呼ばれるグラフトランスフォーマーニューラルネットワークを用いたイベントベース動作分割アルゴリズムを提案する。
提案アルゴリズムは, イベント間の局所的および大域的相関を明らかにするために, 一連の非線形変換により, イベントストリームを3次元グラフとして処理する。
GTNNは、動的背景変動、動きパターン、および様々な大きさと速度を持つ複数の動的物体の存在下で、最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-04-16T22:44:29Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-06-05T04:24:11Z) - Weakly-supervised Action Transition Learning for Stochastic Human Motion
Prediction [81.94175022575966]
動作駆動型人間の動作予測の課題について紹介する。
一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
論文 参考訳(メタデータ) (2022-05-31T08:38:07Z) - Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。
MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
論文 参考訳(メタデータ) (2021-10-01T16:52:03Z) - 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) - 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) - Affective Movement Generation using Laban Effort and Shape and Hidden
Markov Models [6.181642248900806]
本稿では,1)ラベル移動解析(LMA)と2)隠れマルコフモデリングという2つの運動抽象化を用いた自動感情運動生成手法を提案する。
LMAは運動の運動的特徴と表現的特徴を抽象的に表現するための体系的なツールを提供する。
特定された動作のHMM抽象化を取得し、所望の動作経路を用いて、対象の感情を伝達する新たな動きを生成する。
評価された自動認識モデルとユーザスタディを用いて、認識可能な目標感情を持つ動きを生成するための提案手法の有効性を評価する。
論文 参考訳(メタデータ) (2020-06-10T21:24:26Z) - 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。