論文の概要: The online learning architecture with edge computing for high-level
control for assisting patients
- arxiv url: http://arxiv.org/abs/2309.05130v1
- Date: Sun, 10 Sep 2023 20:30:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 14:27:47.768863
- Title: The online learning architecture with edge computing for high-level
control for assisting patients
- Title(参考訳): エッジコンピューティングを用いた高レベル患者支援のためのオンライン学習アーキテクチャ
- Authors: Yue Shi, Yihui Zhao
- Abstract要約: 脊髄損傷、脳卒中、変性疾患などの疾患による移動障害の頻度は世界中で上昇している。
下肢のエキソ骨格は、このような障害のある個人に対する移動性とリハビリテーションを強化するための有効な解決策として、ますます認識されている。
既存のエクソスケルトン制御システムは、レイテンシ、適応性の欠如、計算不効率といった制限に悩まされることが多い。
本稿では,高レベル低域外骨格制御のためのエッジコンピューティングと統合された新しいオンライン対角学習アーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 3.1084001733555584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of mobility impairments due to conditions such as spinal cord
injuries, strokes, and degenerative diseases is on the rise globally.
Lower-limb exoskeletons have been increasingly recognized as a viable solution
for enhancing mobility and rehabilitation for individuals with such
impairments. However, existing exoskeleton control systems often suffer from
limitations such as latency, lack of adaptability, and computational
inefficiency. To address these challenges, this paper introduces a novel online
adversarial learning architecture integrated with edge computing for high-level
lower-limb exoskeleton control. In the proposed architecture, sensor data from
the user is processed in real-time through edge computing nodes, which then
interact with an online adversarial learning model. This model adapts to the
user's specific needs and controls the exoskeleton with minimal latency.
Experimental evaluations demonstrate significant improvements in control
accuracy and adaptability, as well as enhanced quality-of-service (QoS)
metrics. These findings indicate that the integration of online adversarial
learning with edge computing offers a robust and efficient approach for the
next generation of lower-limb exoskeleton control systems.
- Abstract(参考訳): 脊髄損傷、脳卒中、変性疾患などの疾患による移動障害の頻度は世界中で上昇している。
下肢のエキソ骨格は、このような障害のある個人に対する移動性とリハビリテーションを強化するための有効な解決策として、ますます認識されている。
しかしながら、既存のエクソスケルトン制御システムは、レイテンシ、適応性の欠如、計算の非効率といった制限に苦しむことが多い。
これらの課題に対処するために,高レベル低域外骨格制御のためのエッジコンピューティングと統合された新しいオンライン逆学習アーキテクチャを提案する。
提案アーキテクチャでは,ユーザからのセンサデータをエッジコンピューティングノードを介してリアルタイムに処理し,オンラインの対角学習モデルと対話する。
このモデルは、ユーザの特定のニーズに適応し、最小レイテンシでExoskeletonを制御する。
実験的評価では、制御精度と適応性、およびQoS(Quality-of-Service)メトリクスが大幅に改善されている。
これらの結果から,オンライン対人学習とエッジコンピューティングの統合は,次世代の低域外骨格制御システムにおいて,堅牢かつ効率的なアプローチをもたらすことが示唆された。
関連論文リスト
- Enhancing Joint Motion Prediction for Individuals with Limb Loss Through
Model Reprogramming [0.0]
手足の喪失による運動障害は、世界中の何百万人もの個人が直面している重要な課題である。
人工装具などの高度な補助技術の開発は、切断者の生活の質を大幅に向上させる可能性がある。
このような技術の設計において重要な要素は、行方不明肢の基準関節運動の正確な予測である。
論文 参考訳(メタデータ) (2024-03-11T10:10:45Z) - Split-Boost Neural Networks [1.1549572298362787]
本稿では,スプリットブートと呼ばれるフィードフォワードアーキテクチャの革新的なトレーニング戦略を提案する。
このような新しいアプローチは、最終的に正規化項を明示的にモデル化することを避けることができる。
提案した戦略は、ベンチマーク医療保険設計問題内の実世界の(匿名化された)データセットでテストされる。
論文 参考訳(メタデータ) (2023-09-06T17:08:57Z) - Incorporating Neuro-Inspired Adaptability for Continual Learning in
Artificial Intelligence [59.11038175596807]
継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。
既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。
本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
論文 参考訳(メタデータ) (2023-08-29T02:43:58Z) - Improving Performance in Continual Learning Tasks using Bio-Inspired
Architectures [4.2903672492917755]
我々は,シナプスの可塑性機構とニューロ変調を組み込んだ,生物学的にインスパイアされた軽量ニューラルネットワークアーキテクチャを開発した。
提案手法により,Split-MNIST,Split-CIFAR-10,Split-CIFAR-100データセット上でのオンライン連続学習性能が向上する。
さらに,鍵設計概念を他のバックプロパゲーションに基づく連続学習アルゴリズムに統合することにより,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-08-08T19:12:52Z) - Online Learning of Wheel Odometry Correction for Mobile Robots with
Attention-based Neural Network [63.8376359764052]
現代のロボットプラットフォームは、人間の横で毎日運用するために、信頼性の高いローカライゼーションシステムを必要としている。
フィルタされた車輪と慣性オドメトリーに基づく単純なポーズ推定アルゴリズムは、急激なキネマティックな変化とホイールスリップの存在下で失敗することが多い。
本稿では,車輪形状補正のための革新的なオンライン学習手法を提案し,ロバストなマルチソースローカライゼーションシステムを提案する。
論文 参考訳(メタデータ) (2023-03-21T10:30:31Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - An adaptive closed-loop ECoG decoder for long-term and stable bimanual
control of an exoskeleton by a tetraplegic [91.6474995587871]
複雑なタスクに対する多様なエフェクタのハイパフォーマンス制御は、時間とともに堅牢で、デコーダの継続的な再校正なしに高いデコード性能でなければならない。
適応型オンラインテンソルベースデコーダ「Recursive Exponentially Weighted Markov-Switching Multi-linear Model (REW-MSLM)」を開発した。
復号器の再校正なしにREW-MSLMを用いて,外骨格と仮想アバターの8次元バイマニュアル制御の安定性を6ヶ月にわたって実証した。
論文 参考訳(メタデータ) (2022-01-25T16:51:29Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - A Modulation Layer to Increase Neural Network Robustness Against Data
Quality Issues [22.62510395932645]
データ不足と品質は機械学習における一般的な問題であり、特に医療などの高度なアプリケーションにおいて問題となる。
本稿では、低品質データと欠落データの影響を軽減するために、ニューラルネットワークの新たな修正を提案する。
この結果から, 情報品質の低減を全接続層で明示的に考慮することにより, リアルタイムアプリケーションへの人工知能システムの展開が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-07-19T01:29:16Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳(メタデータ) (2021-06-11T16:49:10Z) - Towards Understanding the Adversarial Vulnerability of Skeleton-based
Action Recognition [133.35968094967626]
骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。
ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。
異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
論文 参考訳(メタデータ) (2020-05-14T17:12:52Z)
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。