論文の概要: Instance-based Learning with Prototype Reduction for Real-Time
Proportional Myocontrol: A Randomized User Study Demonstrating
Accuracy-preserving Data Reduction for Prosthetic Embedded Systems
- arxiv url: http://arxiv.org/abs/2308.11019v1
- Date: Mon, 21 Aug 2023 20:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:17:32.507609
- Title: Instance-based Learning with Prototype Reduction for Real-Time
Proportional Myocontrol: A Randomized User Study Demonstrating
Accuracy-preserving Data Reduction for Prosthetic Embedded Systems
- Title（参考訳）: リアルタイム・プロポーショナル・マイノコントロールのためのインスタンスベース学習--義肢組込みシステムにおける精度保存データ削減を実証するランダム化ユーザスタディ
- Authors: Tim Sziburis, Markus Nowak, Davide Brunelli
- Abstract要約: 本研究は, 義肢制御におけるジェスチャー検出のためのkNNスキームに基づく学習手法の設計, 実装, 検証を行う。
8チャンネルSEMGアームバンドを用いて,パラメータ化と比例スキームの変化の影響を解析した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work presents the design, implementation and validation of learning
techniques based on the kNN scheme for gesture detection in prosthetic control.
To cope with high computational demands in instance-based prediction, methods
of dataset reduction are evaluated considering real-time determinism to allow
for the reliable integration into battery-powered portable devices. The
influence of parameterization and varying proportionality schemes is analyzed,
utilizing an eight-channel-sEMG armband. Besides offline cross-validation
accuracy, success rates in real-time pilot experiments (online target
achievement tests) are determined. Based on the assessment of specific dataset
reduction techniques' adequacy for embedded control applications regarding
accuracy and timing behaviour, Decision Surface Mapping (DSM) proves itself
promising when applying kNN on the reduced set. A randomized, double-blind user
study was conducted to evaluate the respective methods (kNN and kNN with
DSM-reduction) against Ridge Regression (RR) and RR with Random Fourier
Features (RR-RFF). The kNN-based methods performed significantly better
(p<0.0005) than the regression techniques. Between DSM-kNN and kNN, there was
no statistically significant difference (significance level 0.05). This is
remarkable in consideration of only one sample per class in the reduced set,
thus yielding a reduction rate of over 99% while preserving success rate. The
same behaviour could be confirmed in an extended user study. With k=1, which
turned out to be an excellent choice, the runtime complexity of both kNN (in
every prediction step) as well as DSM-kNN (in the training phase) becomes
linear concerning the number of original samples, favouring dependable wearable
prosthesis applications.
- Abstract（参考訳）: 本研究は, 義肢制御におけるジェスチャー検出のためのkNNスキームに基づく学習手法の設計, 実装, 検証を行う。
インスタンスベースの予測において高い計算要求に対処するため、リアルタイム決定性を考慮したデータセット削減手法を評価し、電池駆動携帯機器への信頼性の高い統合を可能にする。
8チャンネルSEMGアームバンドを用いて,パラメータ化と比例スキームの変化の影響を解析した。
オフラインのクロスバリデーション精度に加えて、リアルタイムパイロット実験(オンライン目標達成試験)の成功率を決定する。
精度とタイミング動作に関する組込み制御アプリケーションに対する特定のデータセット削減手法の妥当性の評価に基づいて、DSM(Decision Surface Mapping)は、kNNを縮小セットに適用する際の有望性を証明している。
ランダム化二重盲検ユーザスタディにより,Rook Regression (RR) とRandom Fourier Features (RR-RFF) に対する各手法 (kNN, kNN, DSM-reduction) の評価を行った。
kNN法は, 回帰法よりも有意に優れていた(p<0.0005)。
DSM-kNNとkNNの間には統計的に有意な差はなかった(数値レベル0.05)。
これは、クラスごとに1つのサンプルだけを減らし、成功率を維持しながら99%以上の還元率を得るという点で顕著である。
同じ行動は、拡張されたユーザー調査で確認することができる。
k=1が優れた選択であることが判明すると、kNN(全ての予測ステップ)とDSM-kNN(トレーニングフェーズ)の両方のランタイム複雑性は、元のサンプルの数に関して線形になり、信頼性の高いウェアラブル補綴応用が好まれる。
関連論文リスト
- Automatic debiasing of neural networks via moment-constrained learning [0.0]
偏差推定器の回帰関数をネーティブに学習し,対象関数のサンプル平均値を取得する。
本稿では,自動脱バイアスの欠点に対処する新しいRR学習手法として,モーメント制約学習を提案する。
論文 参考訳（メタデータ） (2024-09-29T20:56:54Z) - Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳（メタデータ） (2024-01-24T18:49:30Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - KNN Learning Techniques for Proportional Myocontrol in Prosthetics [0.0]
比例法により拡張されたジェスチャー認識のためのk-nearest neighbor(kNN)分類手法を提案する。
データは、前腕に位置決めされた最先端の8チャンネルのエレクトロミオグラフィーアームバンドによってキャプチャされる。
実験では、kNNベースのアルゴリズムを好んで統計的に有意な改善が見られた。
論文 参考訳（メタデータ） (2021-09-18T12:04:32Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Adaptive Degradation Process with Deep Learning-Driven Trajectory [5.060233857860902]
RUL(Remaining useful Life)推定は、インテリジェントな予測保守と健康管理の実装において重要な要素である。
本論文では, ハイブリットDNNベースの予後予測モデルを開発し, 適応ドリフトを用いてシステム劣化を特徴づける。
LSTM-CNNエンコーダデコーダを開発し、ノイズ係数とドリフト係数を併用して将来の劣化軌道を予測し、ベイズ推論により適応ドリフトを更新する。
論文 参考訳（メタデータ） (2021-03-22T06:00:42Z) - Cross-Validation and Uncertainty Determination for Randomized Neural
Networks with Applications to Mobile Sensors [0.0]
極端学習マシンは、限られたコンピュータリソースとグリーン機械学習の下で教師付き学習を行うための魅力的で効率的な方法を提供する。
このようなネットワークと回帰手法による教師あり学習について,一般化と予測誤差の整合性および境界性の観点から考察した。
論文 参考訳（メタデータ） (2021-01-06T12:28:06Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳（メタデータ） (2020-06-20T22:45:32Z)
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。