論文の概要: Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode
Subsets
- arxiv url: http://arxiv.org/abs/2401.02773v1
- Date: Fri, 5 Jan 2024 12:13:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-08 15:03:43.274891
- Title: Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode
Subsets
- Title(参考訳): HD-EMG電極サブセットを用いたジェスチャー認識におけるタグリング電極シフト
- Authors: Joao Pereira, Dimitrios Chalatsis, Balint Hodossy and Dario Farina
- Abstract要約: 入力チャネルサブセットの集合に関するトレーニングを提案し、異なる電極位置のデータを用いてトレーニング分布を増強する。
本手法は,電極シフトに対するロバスト性を高め,被検体と分類アルゴリズム間の干渉性能を著しく向上させる。
- 参考スコア(独自算出の注目度): 0.8192907805418583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: sEMG pattern recognition algorithms have been explored extensively in
decoding movement intent, yet are known to be vulnerable to changing recording
conditions, exhibiting significant drops in performance across subjects, and
even across sessions. Multi-channel surface EMG, also referred to as
high-density sEMG (HD-sEMG) systems, have been used to improve performance with
the information collected through the use of additional electrodes. However, a
lack of robustness is ever present due to limited datasets and the difficulties
in addressing sources of variability, such as electrode placement. In this
study, we propose training on a collection of input channel subsets and
augmenting our training distribution with data from different electrode
locations, simultaneously targeting electrode shift and reducing input
dimensionality. Our method increases robustness against electrode shift and
results in significantly higher intersession performance across subjects and
classification algorithms.
- Abstract(参考訳): sEMGパターン認識アルゴリズムは、運動意図の復号化において広範囲に研究されてきたが、記録条件の変化に弱いことが知られており、被験者、さらにはセッション間のパフォーマンスが著しく低下している。
高密度sEMG(HD-sEMG)システムとも呼ばれる多チャネル表面EMGは、追加電極を用いて収集した情報により性能を向上させるために用いられている。
しかし、限られたデータセットと電極配置のような可変性源に対処する困難さのため、堅牢性の欠如はかつてない。
本研究では,入力チャネルサブセットの収集と異なる電極位置のデータによるトレーニング分布の増大について,同時に電極シフトを目標とし,入力次元を低減することを提案する。
本手法は電極シフトに対するロバスト性を高め,対象と分類アルゴリズムの相互セッション性能を著しく向上させる。
関連論文リスト
- 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) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-10-22T03:47:11Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Continual Detection Transformer for Incremental Object Detection [154.8345288298059]
インクリメンタルオブジェクト検出(IOD)は、新しいオブジェクトカテゴリに対するアノテーションを備えた、フェーズ内のオブジェクト検出をトレーニングすることを目的としている。
他の段階的な設定として、IODは破滅的な忘れがちであり、知識蒸留(KD)や模範再生(ER)といった技術によってしばしば対処される。
本稿では,この文脈でKDとERを効果的に活用できるトランスフォーマーベースのIODを提案する。
論文 参考訳(メタデータ) (2023-04-06T14:38:40Z) - Enhancing Low-Density EEG-Based Brain-Computer Interfaces with
Similarity-Keeping Knowledge Distillation [0.966840768820136]
低密度脳波モンタージュの電極数減少と頭皮領域の被覆のため、脳波復号性能の低下は避けられないことが多い。
本稿では,ニューラルネットワークモデル間の知識/情報伝達のための学習機構である知識蒸留(KD)を紹介する。
入力された脳波データに対して電極数が減少すると,運動画像脳波復号精度が常に向上する。
論文 参考訳(メタデータ) (2022-12-06T21:22:02Z) - Exploiting Multiple EEG Data Domains with Adversarial Learning [20.878816519635304]
この文脈でデータソース不変表現を学習するための逆推論手法を提案する。
異なる音源領域からの脳波記録(感情認識SEED, SEED-IV, DEAP, DREAMER)を統一する。
論文 参考訳(メタデータ) (2022-04-16T11:09:20Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳(メタデータ) (2021-09-07T14:42:55Z) - Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。
ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。
筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
論文 参考訳(メタデータ) (2021-05-27T02:33:16Z) - EEG Channel Interpolation Using Deep Encoder-decoder Netwoks [6.420508750179696]
「Pop」アーティファクトは、表面と電極との間の接続が自然に失われることに由来する。
脳波は密度の高い電極配列を使用するため、脳波データの収集において最も広く見られるアーティファクトの1つである。
本稿では,ディープエンコーダデコーダネットワークを用いて,脳の問題を自己学習タスクとみなす。
論文 参考訳(メタデータ) (2020-09-21T21:57:41Z)
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。