論文の概要: Random Channel Ablation for Robust Hand Gesture Classification with Multimodal Biosignals

• arxiv url: http://arxiv.org/abs/2407.10874v1
• Date: Mon, 15 Jul 2024 16:23:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 14:20:24.724708
• Title: Random Channel Ablation for Robust Hand Gesture Classification with Multimodal Biosignals
• Title（参考訳）: マルチモーダル生体信号を用いたロバストハンドジェスチャ分類のためのランダムチャネルアブレーション
• Authors: Keshav Bimbraw, Jing Liu, Ye Wang, Toshiaki Koike-Akino,
• Abstract要約: マルチモーダルバイオシグナーに基づく手ジェスチャー分類は、効果的な人間と機械の相互作用の重要な構成要素である。 本稿では、学習過程におけるランダムチャネルアブレーション(RChA)を用いて、データの欠落したチャネルに対して、分類器を堅牢化することを提案する。 5倍のクロスバリデーションを平均12.2%,24.5%改善し,最大4チャンネルと8チャンネルのジェスチャー分類を行った。
• 参考スコア（独自算出の注目度）: 13.437876467054686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biosignal-based hand gesture classification is an important component of effective human-machine interaction. For multimodal biosignal sensing, the modalities often face data loss due to missing channels in the data which can adversely affect the gesture classification performance. To make the classifiers robust to missing channels in the data, this paper proposes using Random Channel Ablation (RChA) during the training process. Ultrasound and force myography (FMG) data were acquired from the forearm for 12 hand gestures over 2 subjects. The resulting multimodal data had 16 total channels, 8 for each modality. The proposed method was applied to convolutional neural network architecture, and compared with baseline, imputation, and oracle methods. Using 5-fold cross-validation for the two subjects, on average, 12.2% and 24.5% improvement was observed for gesture classification with up to 4 and 8 missing channels respectively compared to the baseline. Notably, the proposed method is also robust to an increase in the number of missing channels compared to other methods. These results show the efficacy of using random channel ablation to improve classifier robustness for multimodal and multi-channel biosignal-based hand gesture classification.
• Abstract（参考訳）: 生体信号に基づく手動作分類は,人間と機械の効果的な相互作用の重要な構成要素である。 マルチモーダル生体信号センシングでは, 動作分類性能に悪影響を及ぼす可能性のあるデータ中のチャネル不足により, モダリティはデータ損失に直面することが多い。 そこで本研究では,学習過程におけるランダムチャネルアブレーション(Random Channel Ablation, RChA)について提案する。 前腕から超音波・筋電図(FMG)データを取得し,手指動作12例について検討した。 結果として得られたマルチモーダルデータは合計16チャンネルで、各モーダルに対して8チャンネルであった。 提案手法は畳み込みニューラルネットワークアーキテクチャに適用され,ベースライン,インプット,オラクル法と比較された。 5倍のクロスバリデーションを平均12.2%,24.5%改善した。 特に,提案手法は,他の手法と比較してチャネルの欠落数の増加に対して頑健である。 これらの結果から,マルチモーダルおよびマルチチャンネルバイオシグナーを用いた手動作分類において,ランダムチャネルアブレーションを用いて分類器の堅牢性を向上させる効果が示された。

関連論文リスト

• A dual ensemble classifier used to recognise contaminated multi-channel EMG and MMG signals in the control of upper limb bioprosthesis [0.3683202928838613]
  本研究の目的は,生体信号のマルチモダリティとマルチチャネル記録に関連する要因を緩和する認識システムを開発することである。 提案手法では,2つの協調型マルチクラス化システムを用いる。
  論文  参考訳（メタデータ） (2024-07-26T11:36:05Z)
• 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)
• BIOT: Cross-data Biosignal Learning in the Wild [36.22753628246332]
  バイオシグナーの現在のディープラーニングモデルは、通常、特定のデータセットと臨床設定に特化している。 メソッドモデルは汎用的で、異なるデータセットにわたる様々な生体信号学習設定に適用できる。
  論文  参考訳（メタデータ） (2023-05-10T19:26:58Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Decoding Imagined Speech using Wavelet Features and Deep Neural Networks [2.4063592468412267]
  本稿では, 深層ニューラルネットワークを用いた予測音声の分類手法を提案する。 提案手法では、脳の特定の領域にのみEEGチャネルを用いて分類し、それぞれのチャネルから特徴ベクトルを導出する。 提案したアーキテクチャとデータ処理のアプローチにより,57.15%の平均分類精度が向上し,最先端の結果よりも約35%向上した。
  論文  参考訳（メタデータ） (2020-03-19T00:36:19Z)
• Multimodal Affective States Recognition Based on Multiscale CNNs and Biologically Inspired Decision Fusion Model [9.006757372508366]
  マルチモーダルな生理的信号に基づく感情状態認識法はまだ十分に活用されていない。 本稿では,マルチスケール畳み込みニューラルネットワーク(Multiscale CNN)と,感情状態認識のための生物学的にインスパイアされた決定融合モデルを提案する。 その結果, 融合モデルでは, 単一モダリティ信号と比較すると, 感情状態認識の精度が有意に向上することがわかった。
  論文  参考訳（メタデータ） (2019-11-29T01:35:23Z)

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。