論文の概要: HYDRA-HGR: A Hybrid Transformer-based Architecture for Fusion of
Macroscopic and Microscopic Neural Drive Information
- arxiv url: http://arxiv.org/abs/2211.02619v1
- Date: Thu, 27 Oct 2022 02:23:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:37:43.227171
- Title: HYDRA-HGR: A Hybrid Transformer-based Architecture for Fusion of
Macroscopic and Microscopic Neural Drive Information
- Title（参考訳）: HYDRA-HGR:マクロ・マイクロ・ニューラルドライブ情報の融合のためのハイブリッドトランスを用いたアーキテクチャ
- Authors: Mansooreh Montazerin, Elahe Rahimian, Farnoosh Naderkhani, S. Farokh
Atashzar, Hamid Alinejad-Rokny, Arash Mohammadi
- Abstract要約: 本研究では,顕微鏡レベルで時間的特徴と空間的特徴のセットを同時に抽出するハイブリッドモデルを提案する。
提案したHYDRA-HGRフレームワークは平均94.86%の精度で250ミリ秒のウィンドウサイズを実現している。
- 参考スコア（独自算出の注目度）: 11.443553761853856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Development of advance surface Electromyogram (sEMG)-based Human-Machine
Interface (HMI) systems is of paramount importance to pave the way towards
emergence of futuristic Cyber-Physical-Human (CPH) worlds. In this context, the
main focus of recent literature was on development of different Deep Neural
Network (DNN)-based architectures that perform Hand Gesture Recognition (HGR)
at a macroscopic level (i.e., directly from sEMG signals). At the same time,
advancements in acquisition of High-Density sEMG signals (HD-sEMG) have
resulted in a surge of significant interest on sEMG decomposition techniques to
extract microscopic neural drive information. However, due to complexities of
sEMG decomposition and added computational overhead, HGR at microscopic level
is less explored than its aforementioned DNN-based counterparts. In this
regard, we propose the HYDRA-HGR framework, which is a hybrid model that
simultaneously extracts a set of temporal and spatial features through its two
independent Vision Transformer (ViT)-based parallel architectures (the so
called Macro and Micro paths). The Macro Path is trained directly on the
pre-processed HD-sEMG signals, while the Micro path is fed with the p-to-p
values of the extracted Motor Unit Action Potentials (MUAPs) of each source.
Extracted features at macroscopic and microscopic levels are then coupled via a
Fully Connected (FC) fusion layer. We evaluate the proposed hybrid HYDRA-HGR
framework through a recently released HD-sEMG dataset, and show that it
significantly outperforms its stand-alone counterparts. The proposed HYDRA-HGR
framework achieves average accuracy of 94.86% for the 250 ms window size, which
is 5.52% and 8.22% higher than that of the Macro and Micro paths, respectively.
- Abstract（参考訳）: 先進表面筋電図(SEMG)に基づくヒューマン・マシン・インタフェース(HMI)システムの開発は、未来的サイバー物理・ヒューマン(CPH)世界の出現への道を開く上で最重要となる。
この文脈において、最近の文献の主な焦点は、マクロレベルのハンドジェスチャー認識(HGR)を実行する異なるディープニューラルネットワーク(DNN)ベースのアーキテクチャ(すなわち、sEMG信号から直接)の開発であった。
同時に、高密度sEMG信号(HD-sEMG)の取得の進展により、顕微鏡的ニューラルドライブ情報抽出のためのsEMG分解技術への大きな関心が高まっている。
しかし、sEMG分解の複雑さと計算オーバーヘッドの増大により、顕微鏡レベルでのHGRは、前述のDNNベースのものよりも探索が小さい。
本稿では、2つの独立ビジョントランスフォーマー(ViT)ベースの並列アーキテクチャ(いわゆるマクロパスとマイクロパス)を通じて、時間的・空間的特徴のセットを同時に抽出するハイブリッドモデルHYDRA-HGRフレームワークを提案する。
マクロパスは、前処理したHD-sEMG信号に基づいて直接訓練され、マイクロパスは、抽出されたモータユニットアクション電位(MUAP)のp-to-p値で供給される。
マクロおよび顕微鏡レベルの抽出された特徴は、完全な結合(FC)融合層を介して結合される。
提案したハイブリッドHYDRA-HGRフレームワークを,最近リリースされたHD-sEMGデータセットを用いて評価した。
提案されたhydra-hgrフレームワークは、250msのウィンドウサイズで平均94.86%の精度を実現しており、それぞれマクロパスとマイクロパスよりも5.52%高い8.22%である。
関連論文リスト
- CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - 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) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - From Unimodal to Multimodal: improving sEMG-Based Pattern Recognition
via deep generative models [1.1477981286485912]
マルチモーダルハンドジェスチャ認識(HGR)システムは,HGRシステムと比較して高い認識精度を実現することができる。
本稿では,仮想慣性計測ユニット(IMU)信号を用いた表面筋電図(sEMG)に基づくHGRの精度向上のための新しい生成手法を提案する。
論文 参考訳（メタデータ） (2023-08-08T07:15:23Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Transformer-based Hand Gesture Recognition via High-Density EMG Signals:
From Instantaneous Recognition to Fusion of Motor Unit Spike Trains [11.443553761853856]
本稿では,視覚変換器ネットワークを用いて手動ジェスチャー認識を行うCT-HGRと呼ばれる,コンパクトなディープラーニングフレームワークを提案する。
CT-HGRは、転送学習を必要とせずにゼロからトレーニングすることができ、HD-sEMGデータの時間的特徴と空間的特徴を同時に抽出することができる。
このフレームワークは、HD-sEMG画像の単一のフレームに基づいて、瞬時認識のための89.13%の精度を達成する。
論文 参考訳（メタデータ） (2022-11-29T23:32:08Z) - 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) - ConTraNet: A single end-to-end hybrid network for EEG-based and
EMG-based human machine interfaces [0.0]
本稿では,CNN と Transformer アーキテクチャをベースとした ConTraNet という単一ハイブリッドモデルを提案する。
ConTraNetは、異なるHMIパラダイムから異なる特徴を学習し、アートアルゴリズムの現在の状態と同等に一般化する。
論文 参考訳（メタデータ） (2022-06-21T18:55:50Z) - Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。
提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
論文 参考訳（メタデータ） (2022-04-26T12:49:51Z) - TraHGR: Transformer for Hand Gesture Recognition via ElectroMyography [19.51045409936039]
ハンドジェスチャ認識のためのトランスフォーマー(TraHGR)に基づくハイブリッドフレームワークを提案する。
TraHGRは2つの並列パスで構成され、各モジュールの利点を統合するための融合センターとして機能する線形レイヤが続く。
提案するTraHGRアーキテクチャを検証し,検証するために,幅広い実験を行った。
論文 参考訳（メタデータ） (2022-03-28T15:43:56Z)
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。