Fugu-MT 論文翻訳(概要): Deep Residual Shrinkage Networks for EMG-based Gesture Identification

論文の概要: Deep Residual Shrinkage Networks for EMG-based Gesture Identification

arxiv url: http://arxiv.org/abs/2202.02984v1
Date: Mon, 7 Feb 2022 07:37:15 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 18:17:31.723447
Title: Deep Residual Shrinkage Networks for EMG-based Gesture Identification
Title（参考訳）: EMGに基づくジェスチャー同定のための深部残留収縮網
Authors: Yueying Ma, Chengbo Wang, Chengbo Wang, Zimo Li
Abstract要約: ジェスチャー識別を行うために,新たに開発されたディープ・ラーニング手法,すなわちディープ・リザーブ・ストレッサージ・ネットワークを適用した。 3つの異なるアルゴリズムを用いて、EMG信号認識の精度とDRSNの精度を比較する。その結果,DRSNはEMG認識精度の点で従来のニューラルネットワークより優れていることがわかった。
参考スコア（独自算出の注目度）: 4.576194170871024
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work introduces a method for high-accuracy EMG based gesture identification. A newly developed deep learning method, namely, deep residual shrinkage network is applied to perform gesture identification. Based on the feature of EMG signal resulting from gestures, optimizations are made to improve the identification accuracy. Finally, three different algorithms are applied to compare the accuracy of EMG signal recognition with that of DRSN. The result shows that DRSN excel traditional neural networks in terms of EMG recognition accuracy. This paper provides a reliable way to classify EMG signals, as well as exploring possible applications of DRSN.
Abstract（参考訳）: 本研究では,高精度なEMGに基づくジェスチャー識別手法を提案する。新たな深層学習法である深層残留収縮ネットワークを用いてジェスチャ識別を行う。ジェスチャによるemg信号の特徴に基づき、識別精度を向上させるための最適化を行う。最後に、EMG信号認識の精度とDRSNの精度を比較するために、3つの異なるアルゴリズムを適用した。その結果,DRSNは従来のニューラルネットワークよりもEMG認識精度が高いことがわかった。本稿では,EMG信号の分類やDRSNの適用可能性を探る上で,信頼性の高い方法を提案する。

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)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Analyzing the Impact of Varied Window Hyper-parameters on Deep CNN for sEMG based Motion Intent Classification [0.0]
本研究は, ウィンドウ長と重なり合いの関係について検討し, CNNに応用するための強靭な生EMG2次元(2次元)信号の生成に影響を及ぼす可能性がある。 2次元EMG信号とより広いネットワークカーネルの75%の重なりが組み合わさることで、適切なEMG-CNNベースの補綴制御スキームのための理想的なモータインテント分類が得られることが示唆されている。
論文参考訳（メタデータ） (2022-09-13T08:14:49Z)
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)
Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
論文参考訳（メタデータ） (2021-03-12T08:57:06Z)
Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文参考訳（メタデータ） (2021-03-01T08:25:26Z)
ScalingNet: extracting features from raw EEG data for emotion recognition [4.047737925426405]
生の脳波信号から効果的なデータ駆動スペクトログラムのような特徴を適応的に抽出できる新しい畳み込み層を提案する。スケーリング層に基づくニューラルネットワークアーキテクチャであるScalingNetは、確立されたDEAPベンチマークデータセット全体で最先端の結果を達成した。
論文参考訳（メタデータ） (2021-02-07T08:54:27Z)
SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文参考訳（メタデータ） (2020-12-10T08:37:44Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。