Fugu-MT 論文翻訳(概要): EMG-Based Feature Extraction and Classification for Prosthetic Hand Control

論文の概要: EMG-Based Feature Extraction and Classification for Prosthetic Hand Control

arxiv url: http://arxiv.org/abs/2107.00733v1
Date: Thu, 1 Jul 2021 20:19:03 GMT
ステータス: 処理完了
システム内更新日: 2021-07-05 12:46:37.389120
Title: EMG-Based Feature Extraction and Classification for Prosthetic Hand Control
Title（参考訳）: 義手制御のためのEMGに基づく特徴抽出と分類
Authors: Reza Bagherian Azhiri, Mohammad Esmaeili, Mehrdad Nourani
Abstract要約: ウェーブレット分解の各レベルに適用した特徴抽出関数のセットを紹介する。次に、ニューラルネットワークの出力を処理するための後処理アプローチを提案する。実験結果から,提案手法は実時間EMG信号の分類精度を最大9.5%,800ドルmsec信号長が9.5%向上することを示した。
参考スコア（独自算出の注目度）: 2.66418345185993
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, real-time control of prosthetic hands has gained a great deal of attention. In particular, real-time analysis of Electromyography (EMG) signals has several challenges to achieve an acceptable accuracy and execution delay. In this paper, we address some of these challenges by improving the accuracy in a shorter signal length. We first introduce a set of new feature extraction functions applying on each level of wavelet decomposition. Then, we propose a postprocessing approach to process the neural network outputs. The experimental results illustrate that the proposed method enhances the accuracy of real-time classification of EMG signals up to $95.5\%$ for $800$ msec signal length. The proposed postprocessing method achieves higher consistency compared with conventional majority voting and Bayesian fusion methods.
Abstract（参考訳）: 近年,義手のリアルタイム制御が注目されている。特に、EMG信号のリアルタイム解析は、許容精度と実行遅延を達成するためにいくつかの課題がある。本稿では,短い信号長の精度を向上させることで,これらの課題に対処する。まず,ウェーブレット分解の各レベルに適用可能な特徴抽出関数のセットを紹介する。次に、ニューラルネットワークの出力を処理するための後処理手法を提案する。実験結果から,提案手法はmsec信号長800ドルでのemg信号のリアルタイム分類精度を最大$95.5\%まで向上させることがわかった。提案手法は,従来の多数決法やベイズ融合法と比較して高い整合性を実現する。

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)
An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation [4.2807943283312095]
本稿では,キーポイント推定のための新しいDLモデルであるKEED(Keypoint Estimation for Electrocardiogram Delineation)を提案する。 KEEDは、臨床的な期待に沿ったアウトプットを有機的に提供する。注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。
論文参考訳（メタデータ） (2024-07-24T08:13:10Z)
Long-term stable Electromyography classification using Canonical Correlation Analysis [5.949779668853555]
表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
論文参考訳（メタデータ） (2023-01-23T21:45:00Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring [6.644008481573341]
信号強度の半ガウス的確率によって入力信号と重み特徴を符号化し,フィルタリングし,蓄積する適応的手法を提案する。提案手法の有効性を検証し,将来有望な方向性を明らかにするため,最先端手法に対する最大の公開データセットの実験を行った。
論文参考訳（メタデータ） (2022-04-02T11:21:49Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
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)
Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文参考訳（メタデータ） (2021-02-02T04:58:57Z)
Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文参考訳（メタデータ） (2020-08-21T15:03:21Z)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。