Fugu-MT 論文翻訳(概要): EMG Pattern Recognition via Bayesian Inference with Scale Mixture-Based Stochastic Generative Models

論文の概要: EMG Pattern Recognition via Bayesian Inference with Scale Mixture-Based Stochastic Generative Models

arxiv url: http://arxiv.org/abs/2107.09853v1
Date: Wed, 21 Jul 2021 02:51:19 GMT
ステータス: 処理完了
システム内更新日: 2021-07-22 14:19:42.535903
Title: EMG Pattern Recognition via Bayesian Inference with Scale Mixture-Based Stochastic Generative Models
Title（参考訳）: スケール混合確率生成モデルを用いたベイズ推論によるEMGパターン認識
Authors: Akira Furui, Takuya Igaue, Toshio Tsuji
Abstract要約: 本稿では,大規模混合モデルを用いたEMGパターン分類手法を提案する。提案手法は変分学習により学習し,複雑性モデルの自動決定を可能にする。その結果,提案手法の有効性とEMGに基づく制御システムへの適用性を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electromyogram (EMG) has been utilized to interface signals for prosthetic hands and information devices owing to its ability to reflect human motion intentions. Although various EMG classification methods have been introduced into EMG-based control systems, they do not fully consider the stochastic characteristics of EMG signals. This paper proposes an EMG pattern classification method incorporating a scale mixture-based generative model. A scale mixture model is a stochastic EMG model in which the EMG variance is considered as a random variable, enabling the representation of uncertainty in the variance. This model is extended in this study and utilized for EMG pattern classification. The proposed method is trained by variational Bayesian learning, thereby allowing the automatic determination of the model complexity. Furthermore, to optimize the hyperparameters of the proposed method with a partial discriminative approach, a mutual information-based determination method is introduced. Simulation and EMG analysis experiments demonstrated the relationship between the hyperparameters and classification accuracy of the proposed method as well as the validity of the proposed method. The comparison using public EMG datasets revealed that the proposed method outperformed the various conventional classifiers. These results indicated the validity of the proposed method and its applicability to EMG-based control systems. In EMG pattern recognition, a classifier based on a generative model that reflects the stochastic characteristics of EMG signals can outperform the conventional general-purpose classifier.
Abstract（参考訳）: 筋電図(EMG)は、人間の動きの意図を反映する能力により、義手や情報機器の信号のインタフェースに利用されてきた。様々なemg分類法がemg制御系に導入されているが、emg信号の確率的特性を完全に考慮していない。本稿では,大規模混合モデルを用いたEMGパターン分類手法を提案する。スケール混合モデルは、emg分散を確率変数と見なす確率的emgモデルであり、分散における不確かさを表現することができる。本研究では,このモデルを拡張し,EMGパターン分類に利用した。提案手法は変分ベイズ学習を用いて学習し,モデル複雑性の自動決定を可能にする。さらに,提案手法のハイパーパラメータを部分的判別手法で最適化するために,相互情報に基づく決定法を提案する。シミュレーションおよびemg解析実験により,提案手法のハイパーパラメータと分類精度の関係および提案手法の有効性が実証された。公開EMGデータセットを用いて比較した結果,提案手法は従来の分類器よりも優れていた。これらの結果は,提案手法の有効性とEMG制御システムへの適用性を示した。 EMGパターン認識において、EMG信号の確率特性を反映した生成モデルに基づく分類器は、従来の汎用分類器よりも優れている。

関連論文リスト

Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文参考訳（メタデータ） (2024-07-04T12:15:42Z)
Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。本稿では,FCMを用いたクラスタリングモデルを提案する。
論文参考訳（メタデータ） (2024-05-22T08:15:50Z)
Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees [47.22930583160043]
適応型クロスコンフォーマル予測区間を構築する手法を提案する。結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
論文参考訳（メタデータ） (2024-01-15T14:45:18Z)
Differentiating Metropolis-Hastings to Optimize Intractable Densities [51.16801956665228]
我々はメトロポリス・ハスティングス検層の自動識別アルゴリズムを開発した。難解な対象密度に対する期待値として表現された目的に対して勾配に基づく最適化を適用する。
論文参考訳（メタデータ） (2023-06-13T17:56:02Z)
Evaluating Classifier Confidence for Surface EMG Pattern Recognition [4.56877715768796]
表面筋電図(EMG)は、パターン認識を介して様々なデバイスやソフトウェアのためのインタフェース信号として用いられる。本研究の目的は,EMGパターン認識における高い精度と信頼性を提供する分類器の種類を特定することである。
論文参考訳（メタデータ） (2023-04-12T15:05:25Z)
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)
Towards Robust and Accurate Myoelectric Controller Design based on Multi-objective Optimization using Evolutionary Computation [0.22835610890984162]
我々は、カーネル化されたSVM分類器を考慮し、エネルギー効率の良いEMGベースのコントローラを設計する手法を提案している。 EMGをベースとした制御器の最適化性能を達成するため,分類器設計の主な戦略は,システム全体の誤動作を低減することである。エリート的多目的進化アルゴリズムの$-$は、非支配的なソート遺伝的アルゴリズムNSGA-II (Non-dominated sorting genetic algorithm II) であり、SVMのハイパーパラメータをチューニングするために使われている。
論文参考訳（メタデータ） (2022-04-02T06:13:01Z)
Normalizing Flow based Hidden Markov Models for Classification of Speech Phones with Explainability [25.543231171094384]
説明可能性を求めるため,逐次データ生成モデルを開発した。我々は、現代のニューラルネットワーク(正規化フロー)と伝統的な生成モデル(隠れマルコフモデル - HMM)を組み合わせる。提案した生成モデルは、データの可能性を計算することができ、従って、最大形分類法(ML)に直接適合する。
論文参考訳（メタデータ） (2021-07-01T20:10:55Z)
EMG Signal Classification Using Reflection Coefficients and Extreme Value Machine [2.169919643934826]
本稿では,EMG信号の分類のための高性能アルゴリズムとしてExtreme Value Machineを提案する。自己回帰(AR)モデルから得られた反射係数を用いて分類器の集合を訓練する。
論文参考訳（メタデータ） (2021-06-19T19:12:59Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Semi-nonparametric Latent Class Choice Model with a Flexible Class Membership Component: A Mixture Model Approach [6.509758931804479]
提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
論文参考訳（メタデータ） (2020-07-06T13:19:26Z)

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。