Fugu-MT 論文翻訳(概要): TEMGNet: Deep Transformer-based Decoding of Upperlimb sEMG for Hand Gestures Recognition

論文の概要: TEMGNet: Deep Transformer-based Decoding of Upperlimb sEMG for Hand Gestures Recognition

arxiv url: http://arxiv.org/abs/2109.12379v1
Date: Sat, 25 Sep 2021 15:03:22 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 10:50:46.045800
Title: TEMGNet: Deep Transformer-based Decoding of Upperlimb sEMG for Hand Gestures Recognition
Title（参考訳）: TEMGNet:手指認識のための上肢sEMGのDeep Transformer-based Decoding
Authors: Elahe Rahimian, Soheil Zabihi, Amir Asif, Dario Farina, S. Farokh Atashzar, Arash Mohammadi
Abstract要約: 本研究では,SEMG信号を処理するためのTransformerアーキテクチャに基づくフレームワークを開発する。上肢のジェスチャーを分類・認識するための新しい視覚変換器(ViT)ベースのニューラルネットワークアーキテクチャ(TEMGNet)を提案する。
参考スコア（独自算出の注目度）: 16.399230849853915
License: http://creativecommons.org/licenses/by/4.0/
Abstract: There has been a surge of recent interest in Machine Learning (ML), particularly Deep Neural Network (DNN)-based models, to decode muscle activities from surface Electromyography (sEMG) signals for myoelectric control of neurorobotic systems. DNN-based models, however, require large training sets and, typically, have high structural complexity, i.e., they depend on a large number of trainable parameters. To address these issues, we developed a framework based on the Transformer architecture for processing sEMG signals. We propose a novel Vision Transformer (ViT)-based neural network architecture (referred to as the TEMGNet) to classify and recognize upperlimb hand gestures from sEMG to be used for myocontrol of prostheses. The proposed TEMGNet architecture is trained with a small dataset without the need for pre-training or fine-tuning. To evaluate the efficacy, following the-recent literature, the second subset (exercise B) of the NinaPro DB2 dataset was utilized, where the proposed TEMGNet framework achieved a recognition accuracy of 82.93% and 82.05% for window sizes of 300ms and 200ms, respectively, outperforming its state-of-the-art counterparts. Moreover, the proposed TEMGNet framework is superior in terms of structural capacity while having seven times fewer trainable parameters. These characteristics and the high performance make DNN-based models promising approaches for myoelectric control of neurorobots.
Abstract（参考訳）: 表面筋電図(sEMG)信号から筋活動をデコードして神経ロボティクス系の筋電制御を行う機械学習(ML)、特にディープニューラルネットワーク(DNN)ベースのモデルへの関心が高まっている。しかし、dnnベースのモデルは、大きなトレーニングセットを必要とし、通常、高い構造的複雑さ、すなわち、多くのトレーニング可能なパラメータに依存する。そこで我々は,SEMG信号を処理するためのTransformerアーキテクチャに基づくフレームワークを開発した。人工装具の筋制御に使用されるsEMGから上肢の手のジェスチャーを分類・認識するための視覚変換器(ViT)ベースのニューラルネットワークアーキテクチャ(TEMGNet)を提案する。提案したTEMGNetアーキテクチャは、事前トレーニングや微調整を必要とせずに、小さなデータセットでトレーニングされている。近年の文献に続き、NinaPro DB2データセットの第2サブセット(運動B)を用いて、提案したTEMGNetフレームワークは、それぞれ300msと200msのウィンドウサイズに対して82.93%と82.05%の認識精度を達成し、最先端のものよりも優れていた。さらに、TEMGNetフレームワークは、7倍のトレーニング可能なパラメータを持ちながら、構造容量の点で優れている。これらの特徴と高性能により、神経ロボットの筋電制御のためのDNNモデルが期待できる。

関連論文リスト

Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文参考訳（メタデータ） (2024-10-08T14:27:28Z)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification [0.0]
本稿では,Deep Q-Networks (DQN) を用いた強化学習を分類タスクに活用するフレームワークを提案する。本稿では,OVR(One-Versus-The-Rest)方式で,マルチクラス運動画像(MI)分類のための前処理手法を提案する。 DQNと1D-CNN-LSTMアーキテクチャの統合は意思決定プロセスをリアルタイムで最適化する。
論文参考訳（メタデータ） (2024-02-09T02:03:13Z)
EMGTFNet: Fuzzy Vision Transformer to decode Upperlimb sEMG signals for Hand Gestures Recognition [0.1611401281366893]
本稿では,手動ジェスチャー認識を行うために,EMGTFNetと呼ばれるファジィニューラルブロック(FNB)を用いた視覚変換器(ViT)アーキテクチャを提案する。提案モデルの精度は49種類の手ジェスチャーからなるNinaProデータベースを用いて検証した。
論文参考訳（メタデータ） (2023-09-23T18:55:26Z)
Evolving Connectivity for Recurrent Spiking Neural Networks [8.80300633999542]
リカレントニューラルネットワーク(RSNN)は、人工知能の進歩に大きな可能性を秘めている。本稿では、RSNNをトレーニングするための推論のみの手法である、進化的接続性(EC)フレームワークを提案する。
論文参考訳（メタデータ） (2023-05-28T07:08:25Z)
Light-weighted CNN-Attention based architecture for Hand Gesture Recognition via ElectroMyography [19.51045409936039]
畳み込みニューラルネットワーク(CNN)とアテンション機構に基づく軽量ハイブリッドアーキテクチャ(HDCAM)を提案する。 58,441個のパラメータを持つHDCAMモデルは、新しい最先端(SOTA)性能を82.91%、ウィンドウサイズが300msと200msの精度で達成した。
論文参考訳（メタデータ） (2022-10-27T02:12:07Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文参考訳（メタデータ） (2020-07-17T08:32:11Z)
Transfer Learning for sEMG-based Hand Gesture Classification using Deep Learning in a Master-Slave Architecture [0.0]
本研究は,複数のsEMGチャネルから記録された信号を用いて,インド手話からの信号の分類を行うディープニューラルネットワーク(DNN)からなる,新しいマスタスレーブアーキテクチャを提案する。従来のDNNでは最大14%の改善が見られ、提案手法の適合性を主張する平均精度93.5%の合成データの追加により、マスタースレーブネットワークの最大9%の改善が見られた。
論文参考訳（メタデータ） (2020-04-27T01:16:17Z)

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。