論文の概要: Long-term stable Electromyography classification using Canonical
Correlation Analysis
- arxiv url: http://arxiv.org/abs/2301.09729v1
- Date: Mon, 23 Jan 2023 21:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:46:49.470679
- Title: Long-term stable Electromyography classification using Canonical
Correlation Analysis
- Title(参考訳): 正準相関解析を用いた長期安定筋電図分類
- Authors: Elisa Donati, Simone Benatti, Enea Ceolini, and Giacomo Indiveri
- Abstract要約: 表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。
最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。
本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
- 参考スコア(独自算出の注目度): 5.949779668853555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discrimination of hand gestures based on the decoding of surface
electromyography (sEMG) signals is a well-establish approach for controlling
prosthetic devices and for Human-Machine Interfaces (HMI). However, despite the
promising results achieved by this approach in well-controlled experimental
conditions, its deployment in long-term real-world application scenarios is
still hindered by several challenges. One of the most critical challenges is
maintaining high EMG data classification performance across multiple days
without retraining the decoding system. The drop in performance is mostly due
to the high EMG variability caused by electrodes shift, muscle artifacts,
fatigue, user adaptation, or skin-electrode interfacing issues. Here we propose
a novel statistical method based on canonical correlation analysis (CCA) that
stabilizes EMG classification performance across multiple days for long-term
control of prosthetic devices. We show how CCA can dramatically decrease the
performance drop of standard classifiers observed across days, by maximizing
the correlation among multiple-day acquisition data sets. Our results show how
the performance of a classifier trained on EMG data acquired only of the first
day of the experiment maintains 90% relative accuracy across multiple days,
compensating for the EMG data variability that occurs over long-term periods,
using the CCA transformation on data obtained from a small number of gestures.
This approach eliminates the need for large data sets and multiple or periodic
training sessions, which currently hamper the usability of conventional pattern
recognition based approaches
- Abstract(参考訳): 表面筋電図(sEMG)信号の復号化に基づく手動作の識別は、補綴器やヒューマン・マシン・インタフェース(HMI)の制御において確立されたアプローチである。
しかしながら、このアプローチが十分に制御された実験環境で達成した有望な結果にもかかわらず、長期的な実世界のアプリケーションシナリオへのデプロイは、いくつかの課題によって妨げられている。
最も重要な課題の1つは、デコードシステムを再トレーニングすることなく、複数日間にわたって高いemgデータ分類性能を維持することである。
この性能低下は、主に電極シフト、筋肉アーチファクト、疲労、ユーザ適応、皮膚-電極界面の問題によって引き起こされる高いEMG変動に起因する。
本稿では,数日間にわたってEMG分類性能を安定させ,補綴装置の長期制御を行う,正準相関解析(CCA)に基づく新しい統計手法を提案する。
複数日取得データセット間の相関を最大化することにより,CCAが標準分類器の性能低下を劇的に低減できることを示す。
実験初日のみに取得したEMGデータに基づいて訓練された分類器の性能が, 長期間にわたって発生するEMGデータの変動を補正し, 少数のジェスチャーから得られたデータに対するCAA変換を用いて, 90%の相対的精度を維持していることを示す。
このアプローチは,大規模データセットや複数ないし定期的なトレーニングセッションの必要性を排除し,従来のパターン認識に基づくアプローチのユーザビリティを損なう。
関連論文リスト
- 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) - LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time
Series Data [6.642599588462097]
室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。
IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。
本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
論文 参考訳(メタデータ) (2022-04-14T01:57:46Z) - TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate
Time Series Data [13.864161788250856]
TranADはディープトランスネットワークに基づく異常検出および診断モデルである。
注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。
TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
論文 参考訳(メタデータ) (2022-01-18T19:41:29Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Multiple Organ Failure Prediction with Classifier-Guided Generative
Adversarial Imputation Networks [4.040013871160853]
多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。
機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
論文 参考訳(メタデータ) (2021-06-22T15:49:01Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳(メタデータ) (2021-04-29T00:11:32Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Improving Robustness on Seasonality-Heavy Multivariate Time Series
Anomaly Detection [2.2559617939136505]
本稿では,時系列データにおけるロバスト異常検出(AD)の課題について考察する。
本稿では,季節・汚染データに対するロバスト性向上に向けた新たなアプローチを提案する。
我々は、このモデルが複雑な季節パターンに対してより堅牢な振る舞いを示すだけでなく、トレーニングデータ汚染に対する抵抗も増大する広範囲な実験を行う。
論文 参考訳(メタデータ) (2020-07-25T01:32:00Z) - Longitudinal Variational Autoencoder [1.4680035572775534]
不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。
標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。
本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。
我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
論文 参考訳(メタデータ) (2020-06-17T10:30:14Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。