論文の概要: Multiresolution Dual-Polynomial Decomposition Approach for Optimized Characterization of Motor Intent in Myoelectric Control Systems

• arxiv url: http://arxiv.org/abs/2211.07378v1
• Date: Thu, 10 Nov 2022 14:42:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:37:31.271410
• Title: Multiresolution Dual-Polynomial Decomposition Approach for Optimized Characterization of Motor Intent in Myoelectric Control Systems
• Title（参考訳）: 筋電制御系におけるモータインテントの最適キャラクタリゼーションのための多分解能双極子分解法
• Authors: Oluwarotimi Williams Samuel, Mojisola Grace Asogbon, Rami Khushaba, Frank Kulwa, and Guanglin Li
• Abstract要約: 表面筋電図(sEMG)は、幅広いバイオメディカル応用の生理的信号である。 パターン認識(PR)に基づく制御方式におけるsEMGの使用は主に、その豊富な運動情報の内容と非侵襲性に起因する。 マルチクラスEMG信号の適切な復調と再構成のためのMRDPIによる多分解能分解法を提案する。
• 参考スコア（独自算出の注目度）: 0.8122953016935794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyogram (sEMG) is arguably the most sought-after physiological signal with a broad spectrum of biomedical applications, especially in miniaturized rehabilitation robots such as multifunctional prostheses. The widespread use of sEMG to drive pattern recognition (PR)-based control schemes is primarily due to its rich motor information content and non-invasiveness. Moreover, sEMG recordings exhibit non-linear and non-uniformity properties with inevitable interferences that distort intrinsic characteristics of the signal, precluding existing signal processing methods from yielding requisite motor control information. Therefore, we propose a multiresolution decomposition driven by dual-polynomial interpolation (MRDPI) technique for adequate denoising and reconstruction of multi-class EMG signals to guarantee the dual-advantage of enhanced signal quality and motor information preservation. Parameters for optimal MRDPI configuration were constructed across combinations of thresholding estimation schemes and signal resolution levels using EMG datasets of amputees who performed up to 22 predefined upper-limb motions acquired in-house and from the public NinaPro database. Experimental results showed that the proposed method yielded signals that led to consistent and significantly better decoding performance for all metrics compared to existing methods across features, classifiers, and datasets, offering a potential solution for practical deployment of intuitive EMG-PR-based control schemes for multifunctional prostheses and other miniaturized rehabilitation robotic systems that utilize myoelectric signals as control inputs.
• Abstract（参考訳）: 表面筋電図(sEMG)は、特に多機能義肢のような小型のリハビリテーションロボットにおいて、幅広いバイオメディカル応用を持つ最も望まれる生理信号である。 パターン認識(PR)に基づく制御スキームを駆動するためにsEMGが広く使用されているのは、その豊富な運動情報の内容と非侵襲性に起因する。 さらに、seg記録は、信号の固有特性を歪ませる必然的な干渉を伴う非線形および非一様特性を示し、既存の信号処理方法が必要なモータ制御情報を得るのを妨げている。 そこで本研究では,マルチクラスemg信号の適切なデノベーションと再構成のための2重多項補間法(mrdpi)によるマルチレゾリューション分解法を提案する。 内部および公開NinaProデータベースから取得した22個の上肢運動を予め定義したアンプのEMGデータセットを用いて,しきい値推定手法と信号分解レベルの組み合わせで最適MDDPI構成パラメータを構築した。 実験結果から,提案手法は,機能,分類器,データセットにまたがる既存の手法と比較して,すべての指標に対して一貫した,はるかに優れた復号化性能を達成し,多機能補綴器や筋電信号を用いた小型再生ロボットシステムに直感的なEMG-PR制御方式を実用化するための潜在的解決策を提供することができた。

関連論文リスト

• Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Feature Selection via Dynamic Graph-based Attention Block in MI-based EEG Signals [0.0]
  脳-コンピュータインタフェース(BCI)技術は、脳信号を分析して人間とコンピュータの直接的な相互作用を可能にする。 脳波信号は、しばしば低信号対雑音比、生理的アーティファクト、および個々の変数の影響を受けており、異なる特徴を抽出する際の課題を表している。 また、運動画像(MI)に基づく脳波信号には、MI特性との相関が低い特徴が含まれており、深部モデルの重みがそれらの特徴に偏っている可能性がある。
  論文  参考訳（メタデータ） (2024-10-31T00:53:29Z)
• EEG-EMG FAConformer: Frequency Aware Conv-Transformer for the fusion of EEG and EMG [0.0]
  運動パターン認識パラダイムは、運動機能回復を目的としたBrain-Computer Interfaceの主要な形態である。 筋電図(EMG)信号は、運動の実行を評価する最も直接的な生理的信号である。 脳波とEMG信号に対するマルチモーダル動作パターン認識アルゴリズム:EEG-EMG FAConformerを提案する。
  論文  参考訳（メタデータ） (2024-09-12T14:08:56Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• 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)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• 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)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• 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)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Massive MIMO As an Extreme Learning Machine [83.12538841141892]
  低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作 受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
  論文  参考訳（メタデータ） (2020-07-01T04:15:20Z)

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。