論文の概要: Topology of Surface Electromyogram Signals: Hand Gesture Decoding on Riemannian Manifolds

• arxiv url: http://arxiv.org/abs/2311.08548v1
• Date: Tue, 14 Nov 2023 21:20:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 18:18:56.726576
• Title: Topology of Surface Electromyogram Signals: Hand Gesture Decoding on Riemannian Manifolds
• Title（参考訳）: 表面筋電図信号のトポロジー:リーマン多様体のハンドジェスチャデコーディング
• Authors: Harshavardhana T. Gowda, Lee M. Miller
• Abstract要約: 非侵襲的な表面筋電図(sEMG)信号を用いた上肢からのジェスチャーの復号化は、アンプの再生、人工上肢増強、コンピュータのジェスチャー制御、仮想/拡張現実性に強い関心を持つ。 前腕周辺の複数の空間的位置にあるセンサ電極の配列に記録されたsEMG信号は、手の動きの区別に活用できる、大域運動単位(MU)のリッチな幾何学的パターンを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decoding gestures from the upper limb using noninvasive surface electromyogram (sEMG) signals is of keen interest for the rehabilitation of amputees, artificial supernumerary limb augmentation, gestural control of computers, and virtual/augmented realities. We show that sEMG signals recorded across an array of sensor electrodes in multiple spatial locations around the forearm evince a rich geometric pattern of global motor unit (MU) activity that can be leveraged to distinguish different hand gestures. We demonstrate a simple technique to analyze spatial patterns of muscle MU activity within a temporal window and show that distinct gestures can be classified in both supervised and unsupervised manners. Specifically, we construct symmetric positive definite (SPD) covariance matrices to represent the spatial distribution of MU activity in a time window of interest, calculated as pairwise covariance of electrical signals measured across different electrodes. This allows us to understand and manipulate multivariate sEMG timeseries on a more natural subspace -the Riemannian manifold. Furthermore, it directly addresses signal variability across individuals and sessions, which remains a major challenge in the field. sEMG signals measured at a single electrode lack contextual information such as how various anatomical and physiological factors influence the signals and how their combined effect alters the evident interaction among neighboring muscles. As we show here, analyzing spatial patterns using covariance matrices on Riemannian manifolds allows us to robustly model complex interactions across spatially distributed MUs and provides a flexible and transparent framework to quantify differences in sEMG signals across individuals. The proposed method is novel in the study of sEMG signals and its performance exceeds the current benchmarks while maintaining exceptional computational efficiency.
• Abstract（参考訳）: 非侵襲的な表面筋電図(sEMG)信号を用いた上肢からのジェスチャーの復号化は、アンプの再生、人工上肢増強、コンピュータのジェスチャー制御、仮想/拡張現実性に強い関心を持つ。 前腕周辺の複数の空間的位置にあるセンサ電極の配列に記録されたsEMG信号は、手の動きの区別に活用できる、大域運動単位(MU)のリッチな幾何学的パターンを示す。 本研究では,時間的ウィンドウ内の筋MU活動の空間的パターンを簡易に解析し,異なるジェスチャーを教師なしと教師なしの両方で分類できることを示す。 具体的には、異なる電極間で測定された電気信号の対の共分散として算出された、関心の時間窓におけるMU活性の空間分布を表す対称正定値共分散行列を構築する。 これにより、より自然な部分空間(リーマン多様体)上の多変量sEMG時系列を理解および操作することができる。 さらに、個人やセッション間での信号のばらつきに直接対処するが、この分野では依然として大きな課題である。 単一の電極で測定されたsEMG信号は、様々な解剖学的および生理的要因が信号にどのように影響するか、それらの複合効果が隣り合う筋肉間の明らかな相互作用をどう変えるかといった文脈的な情報を持たない。 ここで示すように、リーマン多様体上の共分散行列を用いて空間パターンを解析することにより、空間分布MU間の複雑な相互作用を堅牢にモデル化し、個人間のsEMG信号の違いを定量化するためのフレキシブルで透明な枠組みを提供する。 提案手法はseg信号の研究において新規であり,その性能は計算効率を保ちつつ,現在のベンチマークを上回っている。

関連論文リスト

• Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
  筋電図(EMG)信号を用いて手の動きを解析・分類する。 本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
  論文  参考訳（メタデータ） (2024-11-23T21:29:51Z)
• 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)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• MVGT: A Multi-view Graph Transformer Based on Spatial Relations for EEG Emotion Recognition [4.184462746475896]
  空間関係に基づく多視点グラフ変換器(MVGT)を提案する。 脳波チャネルの空間情報を符号化としてモデルに組み込むことにより,脳波チャネルの空間構造を知覚する能力を向上させる。
  論文  参考訳（メタデータ） (2024-07-03T14:13:00Z)
• An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals [2.632402517354116]
  我々は,Ninapro DB2上の300ms信号ウィンドウ上での閉形式時間特徴学習にFIN(Feature-imitating Network)を適用することを提案する。 次に、下流手の動き認識タスクに事前学習したLSTM-FINを適用して、転送学習機能について検討する。
  論文  参考訳（メタデータ） (2024-05-23T21:45:15Z)
• 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)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• SFE-Net: EEG-based Emotion Recognition with Symmetrical Spatial Feature Extraction [1.8047694351309205]
  脳波の特徴抽出と感情認識のための空間的折り畳みアンサンブルネットワーク(SFENet)を提案する。 ヒト脳の空間対称性のメカニズムによって、入力された脳波チャンネルデータを5つの異なる対称戦略で折り畳む。 このネットワークにより、異なる対称折り畳み記号の空間的特徴を同時に抽出することができ、特徴認識の堅牢性と精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-04-09T12:59:38Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。