論文の概要: MEET: Mixture of Experts Extra Tree-Based sEMG Hand Gesture Identification

• arxiv url: http://arxiv.org/abs/2405.09562v1
• Date: Mon, 6 May 2024 10:21:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-19 13:49:26.426655
• Title: MEET: Mixture of Experts Extra Tree-Based sEMG Hand Gesture Identification
• Title（参考訳）: MEET: 木をベースとしたSEMGハンドジェスチャ識別の専門家の混在
• Authors: Naveen Gehlot, Ashutosh Jena, Rajesh Kumar, Mahipal Bukya,
• Abstract要約: 手のジェスチャー認識は、近年、筋電図(EMG)を用いたロボットハンドコントロールの研究分野として注目されている研究対象である。 表面筋電図(sEMG)は筋電図で用いられる主要な技法であり、非侵襲的な性質から人気があり、前腕表面に置かれた信号取得装置を用いてジェスチャーの動きを捉えている。 これらの信号は、時間と周波数領域の分析を通じて、重要な手作りの特徴を抽出するために前処理される。 より正確で効果的な手の動きを識別するために,MEETモデルの新たな組み合わせを提案する。
• 参考スコア（独自算出の注目度）: 1.770767758587368
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) has made significant advances in recent years and opened up new possibilities in exploring applications in various fields such as biomedical, robotics, education, industry, etc. Among these fields, human hand gesture recognition is a subject of study that has recently emerged as a research interest in robotic hand control using electromyography (EMG). Surface electromyography (sEMG) is a primary technique used in EMG, which is popular due to its non-invasive nature and is used to capture gesture movements using signal acquisition devices placed on the surface of the forearm. Moreover, these signals are pre-processed to extract significant handcrafted features through time and frequency domain analysis. These are helpful and act as input to machine learning (ML) models to identify hand gestures. However, handling multiple classes and biases are major limitations that can affect the performance of an ML model. Therefore, to address this issue, a new mixture of experts extra tree (MEET) model is proposed to identify more accurate and effective hand gesture movements. This model combines individual ML models referred to as experts, each focusing on a minimal class of two. Moreover, a fully trained model known as the gate is employed to weigh the output of individual expert models. This amalgamation of the expert models with the gate model is known as a mixture of experts extra tree (MEET) model. In this study, four subjects with six hand gesture movements have been considered and their identification is evaluated among eleven models, including the MEET classifier. Results elucidate that the MEET classifier performed best among other algorithms and identified hand gesture movement accurately.
• Abstract（参考訳）: 近年、人工知能(AI)は大きな進歩を遂げ、バイオメディカル、ロボティクス、教育、産業など様々な分野の応用を探求する新たな可能性を開いた。 これらの分野の中で、ヒトの手のジェスチャー認識は、近年、筋電図(EMG)を用いたロボットの手の動き制御の研究分野として注目されている研究対象である。 表面筋電図(sEMG)は筋電図で用いられる主要な技法であり、非侵襲的な性質から人気があり、前腕表面に置かれた信号取得装置を用いてジェスチャーの動きを捉えている。 さらに、これらの信号は、時間と周波数領域分析を通じて、重要な手作り特徴を抽出するために前処理される。 これらは便利で、手の動きを特定する機械学習(ML)モデルへの入力として機能する。 しかし、複数のクラスとバイアスを扱うことは、MLモデルの性能に影響を与える大きな制限である。 そこで,この問題に対処するために,より正確で効果的な手の動きを特定するために,MEET(Expert Extra Tree)モデルが新たに提案されている。 このモデルは専門家と呼ばれる個々のMLモデルを組み合わせており、それぞれが最小限の2つのクラスに焦点を当てている。 さらに、ゲートとして知られる完全に訓練されたモデルを用いて、個々の専門家モデルの出力を計測する。 ゲートモデルと専門家モデルの融合は、専門家追加木(MEET)モデルの混合として知られている。 本研究は,手の動きが6つある4つの被験者について検討し,その識別をMEET分類器を含む11種類のモデルで評価した。 その結果,MEET分類器は他のアルゴリズムの中で最も優れており,手の動きを正確に識別できることがわかった。

関連論文リスト

• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• EMG-Based Hand Gesture Recognition through Diverse Domain Feature Enhancement and Machine Learning-Based Approach [1.8796659304823702]
  表面筋電図(EMG)は手の動き認識と人間とコンピュータの相互作用において重要なツールである。 本研究では,EMG信号を用いた手動作の分類手法を提案する。
  論文  参考訳（メタデータ） (2024-08-25T04:55:42Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• A Deep Learning Sequential Decoder for Transient High-Density Electromyography in Hand Gesture Recognition Using Subject-Embedded Transfer Learning [11.170031300110315]
  ハンドジェスチャ認識(HGR)は、AIによる人間コンピュータの利用の増加により注目されている。 これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。 これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。
  論文  参考訳（メタデータ） (2023-09-23T05:32:33Z)
• Analyzing EEG Data with Machine and Deep Learning: A Benchmark [23.893444154059324]
  本稿では,脳波信号解析に焦点をあて,脳波信号分類のための機械学習と深層学習のベンチマークを文献で初めて行った。 実験では,多層パーセプトロン,畳み込みニューラルネットワーク,長期記憶,ゲートリカレントユニットの4つのモデルを用いた。
  論文  参考訳（メタデータ） (2022-03-18T15:18:55Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• 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)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
  機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。 現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。 本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
  論文  参考訳（メタデータ） (2021-01-17T17:02:04Z)

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。