論文の概要: Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses
- arxiv url: http://arxiv.org/abs/2104.14049v1
- Date: Thu, 29 Apr 2021 00:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 12:44:10.815154
- Title: Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses
- Title(参考訳): 手指の筋電制御のための前腕筋活動からの日常手の動きの連続復号
- Authors: Alessandro Salatiello and Martin A. Giese
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 78.120734120667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art motorized hand prostheses are endowed with actuators able to
provide independent and proportional control of as many as six degrees of
freedom (DOFs). The control signals are derived from residual electromyographic
(EMG) activity, recorded concurrently from relevant forearm muscles.
Nevertheless, the functional mapping between forearm EMG activity and hand
kinematics is only known with limited accuracy. Therefore, no robust method
exists for the reliable computation of control signals for the independent and
proportional actuation of more than two DOFs. A common approach to deal with
this limitation is to pre-program the prostheses for the execution of a
restricted number of behaviors (e.g., pinching, grasping, and wrist rotation)
that are activated by the detection of specific EMG activation patterns.
However, this approach severely limits the range of activities users can
perform with the prostheses during their daily living. In this work, we
introduce a novel method, based on a long short-term memory (LSTM) network, to
continuously map forearm EMG activity onto hand kinematics. Critically, unlike
previous work, which often focuses on simple and highly controlled motor tasks,
we tested our method on a dataset of activities of daily living (ADLs): the
KIN-MUS UJI dataset. To the best of our knowledge, ours is the first reported
work on the prediction of hand kinematics that uses this challenging dataset.
Remarkably, we show that our network is able to generalize to novel untrained
ADLs. Our results suggest that the presented method is suitable for the
generation of control signals for the independent and proportional actuation of
the multiple DOFs of state-of-the-art hand prostheses.
- Abstract(参考訳): 最先端の電動手補綴器には6自由度(DOF)の独立かつ比例的な制御が可能なアクチュエータが備わっている。
制御シグナルは、関連する前腕筋から同時に記録された残留筋電図(EMG)活性から導かれる。
それにもかかわらず、前腕筋電図と手指運動学の間の機能的マッピングは、限られた精度でしか知られていない。
したがって、2つ以上のdofの独立および比例動作に対する制御信号の信頼性の高い計算にはロバストな方法は存在しない。
この制限に対処するための一般的なアプローチは、特定のEMG活性化パターンの検出によって活性化される制限された行動(例えば、ピンチ、握り、手首回転)の実行のための補綴を事前にプログラムすることである。
しかし,本手法は日常生活において,ユーザが義肢で行うことのできる活動範囲を著しく制限する。
本研究では, 長期記憶(LSTM)ネットワークをベースとして, 前腕筋電図の活動を手動に連続的にマッピングする手法を提案する。
批判的に, 単純かつ高度に制御された運動課題に焦点を当てた先行研究とは異なり, 日常生活行動データセットであるkin-mus宇治データセットを用いて本手法をテストした。
私たちの知る限りでは、この挑戦的なデータセットを使った手キネマティクスの予測に関する最初の報告です。
注目すべきは、我々のネットワークが未学習のADLに一般化できることである。
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。
関連論文リスト
- Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳(メタデータ) (2024-01-19T16:26:35Z) - MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。
実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
論文 参考訳(メタデータ) (2023-10-27T14:57:10Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - An Activity Recognition Framework for Continuous Monitoring of
Non-Steady-State Locomotion of Individuals with Parkinson's Disease [0.9137554315375922]
ユーザに依存しない, ユーザに依存しないトレーニングパラダイムを用いて, 様々な下/上/上/下/上からの加速度情報およびジャイロスコープ情報の性能を検証した。
LSTMを用いて、主観非依存トレーニングにおける情報のサブセット(例えば足のデータ)でさえ、F1スコア > 0.8 を提供するように見えた。
論文 参考訳(メタデータ) (2021-10-08T20:35:45Z) - Segmentation and Classification of EMG Time-Series During Reach-to-Grasp
Motion [10.388787606334745]
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。
論文 参考訳(メタデータ) (2021-04-19T20:41:06Z) - Am I fit for this physical activity? Neural embedding of physical
conditioning from inertial sensors [0.0]
Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。
本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。
公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。
PCE-LSTMは平均絶対誤差を10%以上下げる。
論文 参考訳(メタデータ) (2021-03-22T18:00:27Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳(メタデータ) (2020-11-18T23:21:34Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。