論文の概要: Transfer Learning on Electromyography (EMG) Tasks: Approaches and Beyond
- arxiv url: http://arxiv.org/abs/2210.06295v2
- Date: Thu, 13 Oct 2022 03:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 16:03:43.112178
- Title: Transfer Learning on Electromyography (EMG) Tasks: Approaches and Beyond
- Title（参考訳）: 筋電図(EMG)課題における伝達学習のアプローチと今後の展開
- Authors: Di Wu and Jie Yang and Mohamad Sawan
- Abstract要約: 本調査は,EMG関連分析における既存の転写学習手法の生物学的基礎に関する知見を提供することを目的としている。
まず,筋の生理構造と筋電図生成機構を紹介する。
既存の研究成果を,データベース,モデルベース,トレーニングスキームベース,敵ベースに分類する。
- 参考スコア（独自算出の注目度）: 8.167024471353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning on electromyography (EMG) has recently achieved remarkable
success on a variety of tasks, while such success relies heavily on the
assumption that the training and future data must be of the same data
distribution. However, this assumption may not hold in many real-world
applications. Model calibration is required via data re-collection and label
annotation, which is generally very expensive and time-consuming. To address
this problem, transfer learning (TL), which aims to improve target learners'
performance by transferring the knowledge from related source domains, is
emerging as a new paradigm to reduce the amount of calibration effort. In this
survey, we assess the eligibility of more than fifty published peer-reviewed
representative transfer learning approaches for EMG applications. Unlike
previous surveys on purely transfer learning or EMG-based machine learning,
this survey aims to provide an insight into the biological foundations of
existing transfer learning methods on EMG-related analysis. In specific, we
first introduce the physiological structure of the muscles and the EMG
generating mechanism, and the recording of EMG to provide biological insights
behind existing transfer learning approaches. Further, we categorize existing
research endeavors into data based, model based, training scheme based, and
adversarial based. This survey systematically summarizes and categorizes
existing transfer learning approaches for EMG related machine learning
applications. In addition, we discuss possible drawbacks of existing works and
point out the future direction of better EMG transfer learning algorithms to
enhance practicality for real-world applications.
- Abstract（参考訳）: emg(machine learning on electromyography)は最近、さまざまなタスクで著しく成功したが、このような成功はトレーニングと将来のデータが同じデータ分布でなければならないという仮定に大きく依存している。
しかし、この仮定は多くの実世界のアプリケーションでは成り立たないかもしれない。
モデルキャリブレーションはデータ再コンパイルとラベルアノテーションによって必要であり、一般的には非常に高価で時間を要する。
この問題に対処するために,知識を関連するソースドメインから転送することで学習者のパフォーマンスを向上させることを目的とした伝達学習(TL)が,校正作業の量を削減するための新たなパラダイムとして登場した。
本稿では,EMGアプリケーションに対する50以上のピアレビューされた代表者移動学習手法の適性を評価する。
純粋移行学習やEMGに基づく機械学習に関する以前の調査とは違って、本調査は、EMG関連分析における既存の転写学習手法の生物学的基盤に関する洞察を提供することを目的としている。
具体的には,筋の生理的構造と筋電図生成機構,および筋電図記録を紹介し,既存の転写学習手法の背景にある生物学的知見を提供する。
さらに,既存の研究成果を,データベース,モデルベース,トレーニングスキームベース,敵ベースに分類する。
本調査は,EMG関連機械学習アプリケーションにおける既存の移動学習アプローチを体系的に要約し,分類する。
さらに,既存の作業の欠点を論じ,実世界のアプリケーションにおける実用性を高めるための優れたEMG転送学習アルゴリズムの今後の方向性を指摘する。
関連論文リスト
- Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques [52.71395121577439]
心肺蘇生(CPR)における機械学習(ML)と人工知能(AI)の変革的役割について検討する。
再現結果を改善する上で、予測モデリング、AI強化デバイス、リアルタイムデータ分析の影響を強調している。
本稿は、この新興分野における現在の応用、課題、今後の方向性に関する包括的概要、分類、および批判的分析を提供する。
論文 参考訳（メタデータ） (2024-11-03T18:01:50Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Knowledge-guided EEG Representation Learning [27.8095014391814]
自己教師付き学習は、音声、視覚、および音声のマルチメディア領域において印象的な結果をもたらした。
本稿では,脳波の自己教師型モデルを提案する。
また,脳波信号の慣用性を考慮した知識誘導事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-02-15T01:52:44Z) - Online Transfer Learning for RSV Case Detection [6.3076606245690385]
本稿では,MSAW(Multi-Source Adaptive Weighting)について紹介する。
MSAWは動的重み付け機構をアンサンブルフレームワークに統合し、重みの自動調整を可能にする。
救急外来における呼吸性シンサイトールウイルスの検出にMSAWを応用し,その効果を実証した。
論文 参考訳（メタデータ） (2024-02-03T02:13:08Z) - EEGFormer: Towards Transferable and Interpretable Large-Scale EEG
Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。
本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文 参考訳（メタデータ） (2024-01-11T17:36:24Z) - A Memory Transformer Network for Incremental Learning [64.0410375349852]
本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。
素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。
これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
論文 参考訳（メタデータ） (2022-10-10T08:27:28Z) - Deep Transfer-Learning for patient specific model re-calibration:
Application to sEMG-Classification [0.2676349883103404]
機械学習ベースのsEMGデコーダは、主題固有のデータに基づいてトレーニングされるか、少なくとも各ユーザに対して個別に再分類される。
sEMGデータの可用性が限られているため、ディープラーニングモデルは過度に適合する傾向にある。
近年、ドメイン適応のための転写学習は、訓練時間を短縮して一般化品質を改善した。
論文 参考訳（メタデータ） (2021-12-30T11:35:53Z) - Transformers for prompt-level EMA non-response prediction [62.41658786277712]
エコロジー・モメンタリー・アセスメント(Ecological Momentary Assessments、EMA)は、認知状態、影響、行動、環境要因を測定するための重要な心理的データ源である。
参加者がEMAプロンプトに反応しない非応答は、内因性問題である。
非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用することができる。
論文 参考訳（メタデータ） (2021-11-01T18:38:47Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - On the application of transfer learning in prognostics and health
management [0.0]
データ可用性は、研究者や業界の実践者がデータベースの機械学習に頼ることを奨励している。
ディープラーニング、障害診断と診断のためのモデル。
これらのモデルにはユニークな利点がありますが、そのパフォーマンスはトレーニングデータと、そのデータがテストデータをどのように表現しているかに大きく依存しています。
トランスファーラーニング(Transfer Learning)は、前回のトレーニングから学んだことの一部を新しいアプリケーションに転送することで、この問題を改善できるアプローチである。
論文 参考訳（メタデータ） (2020-07-03T23:35:18Z)
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。