論文の概要: EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of Activities of Daily Living

• arxiv url: http://arxiv.org/abs/2301.03325v1
• Date: Mon, 9 Jan 2023 13:20:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 18:03:18.280507
• Title: EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of Activities of Daily Living
• Title（参考訳）: EMAHA-DB1: 日常生活活動の分類のための新しい上肢sEMGデータセット
• Authors: Naveen Kumar Karnam, Anish Chand Turlapaty, Shiv Ram Dubey, and Balakrishna Gokaraju
• Abstract要約: データセットは、22のアクティビティを実行しながら、25人の有能な被験者から取得される。 5つのFAABOSカテゴリーの最先端の分類精度は83:21%である。 開発されたデータセットは、様々な分類方法のベンチマークとして使用することができる。
• 参考スコア（独自算出の注目度）: 8.854624631197941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present electromyography analysis of human activity - database 1 (EMAHA-DB1), a novel dataset of multi-channel surface electromyography (sEMG) signals to evaluate the activities of daily living (ADL). The dataset is acquired from 25 able-bodied subjects while performing 22 activities categorised according to functional arm activity behavioral system (FAABOS) (3 - full hand gestures, 6 - open/close office draw, 8 - grasping and holding of small office objects, 2 - flexion and extension of finger movements, 2 - writing and 1 - rest). The sEMG data is measured by a set of five Noraxon Ultium wireless sEMG sensors with Ag/Agcl electrodes placed on a human hand. The dataset is analyzed for hand activity recognition classification performance. The classification is performed using four state-ofthe-art machine learning classifiers, including Random Forest (RF), Fine K-Nearest Neighbour (KNN), Ensemble KNN (sKNN) and Support Vector Machine (SVM) with seven combinations of time domain and frequency domain feature sets. The state-of-theart classification accuracy on five FAABOS categories is 83:21% by using the SVM classifier with the third order polynomial kernel using energy feature and auto regressive feature set ensemble. The classification accuracy on 22 class hand activities is 75:39% by the same SVM classifier with the log moments in frequency domain (LMF) feature, modified LMF, time domain statistical (TDS) feature, spectral band powers (SBP), channel cross correlation and local binary patterns (LBP) set ensemble. The analysis depicts the technical challenges addressed by the dataset. The developed dataset can be used as a benchmark for various classification methods as well as for sEMG signal analysis corresponding to ADL and for the development of prosthetics and other wearable robotics.
• Abstract（参考訳）: 本稿では,多チャンネル表面筋電図(sEMG)信号の新しいデータセットであるヒト活動データベース1(EMAHA-DB1)の筋電図解析を行い,日常生活(ADL)の活動を評価する。 このデータセットは、機能的腕活動行動システム(FAABOS)(3-フルハンドジェスチャー、6-オープン/クローズオフィスドロー、8-小さなオフィスオブジェクトの把握と保持、2-フレクションと指の動きの拡張、2-ライトと1-レスト)に基づいて分類された22のアクティビティを実行しながら、25人の有能な被験者から取得される。 sEMGデータは、人間の手にAg/Agcl電極を配置した5つのNoraxon Ultium無線sEMGセンサによって測定される。 データセットは、ハンドアクティビティ認識分類性能のために分析される。 この分類は、Random Forest(RF)、Fine K-Nearest Neighbour(KNN)、Ensemble KNN(sKNN)、Support Vector Machine(SVM)の7つの時間領域と周波数領域の特徴セットの組み合わせを含む4つの最先端機械学習分類器を用いて実行される。 FAABOSの5つのカテゴリにおける最先端の分類精度は、エネルギー特徴と自動回帰特徴集合アンサンブルを用いて、SVM分類器と3階多項式カーネルを用いて83:21%である。 22種類のハンドアクティビティの分類精度は、周波数領域におけるログモーメント(lmf)特徴、修飾lmf、時間領域統計(tds)特徴、スペクトル帯域パワー(sbp)、チャネルクロス相関および局所二分パターン(lbp)セットと同一のsvm分類器で75:39%である。 分析は、データセットが対処する技術的な課題を描写する。 開発したデータセットは,ADLに対応するsEMG信号解析や,人工装具などのウェアラブルロボティクスの開発において,様々な分類手法のベンチマークとして使用することができる。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations [1.3852370777848657]
  表面筋電図(sEMG)信号はジェスチャー認識と頑健な義手発達に重要な可能性を秘めている。 本研究は、3つの異なる方向をまたいだ手の動きを評価するための新しいMFI sEMGデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-03T14:23:06Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• EGNN-C+: Interpretable Evolving Granular Neural Network and Application in Classification of Weakly-Supervised EEG Data Streams [0.0]
  グラニュラーニューラルネットワーク(eGNN-C+)の進化のための改良型インクリメンタル学習アルゴリズムを提案する。 脳波(EEG)信号における感情関連パターンの分類に着目する。
  論文  参考訳（メタデータ） (2024-02-26T15:11:41Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Identification of mental fatigue in language comprehension tasks based on EEG and deep learning [3.4325088940742647]
  本研究は,言語理解課題における疲労検出のための実験設計を提案する。 健常者15名で14チャンネルの無線脳波検出器から脳波信号を得た。 畳み込みニューラルネットワーク(CNN)の分類精度は他の分類方法よりも高い。
  論文  参考訳（メタデータ） (2021-04-14T14:00:57Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
  機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。 現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。 本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
  論文  参考訳（メタデータ） (2021-01-17T17:02:04Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• Physical Action Categorization using Signal Analysis and Machine Learning [2.430361444826172]
  本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。 表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
  論文  参考訳（メタデータ） (2020-08-16T18:43:00Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)

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。