論文の概要: Koopman-driven grip force prediction through EMG sensing
- arxiv url: http://arxiv.org/abs/2409.17340v1
- Date: Wed, 25 Sep 2024 20:28:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-30 12:15:34.909840
- Title: Koopman-driven grip force prediction through EMG sensing
- Title（参考訳）: EMGセンシングによるクープマン駆動握力予測
- Authors: Tomislav Bazina, Ervin Kamenar, Maria Fonoberova, Igor Mezić,
- Abstract要約: 脳卒中や多発性硬化症などの症状による手機能の喪失は日常活動に大きな影響を及ぼす。
本研究は,1対のsEMGセンサを用いた中包把持時の精度の高い力推定を実現することを目的とする。
- 参考スコア（独自算出の注目度）: 0.7499722271664147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Loss of hand function due to conditions like stroke or multiple sclerosis significantly impacts daily activities. Robotic rehabilitation provides tools to restore hand function, while novel methods based on surface electromyography (sEMG) enable the adaptation of the device's force output according to the user's condition, thereby improving rehabilitation outcomes. This study aims to achieve accurate force estimations during medium wrap grasps using a single sEMG sensor pair, thereby addressing the challenge of escalating sensor requirements for precise predictions. We conducted sEMG measurements on 13 subjects at two forearm positions, validating results with a hand dynamometer. We established flexible signal-processing steps, yielding high peak cross-correlations between the processed sEMG signal (representing meaningful muscle activity) and grip force. Influential parameters were subsequently identified through sensitivity analysis. Leveraging a novel data-driven Koopman operator theory-based approach and problem-specific data lifting techniques, we devised a methodology for the estimation and short-term prediction of grip force from processed sEMG signals. A weighted mean absolute percentage error (wMAPE) of approx. 5.5% was achieved for the estimated grip force, whereas predictions with a 0.5-second prediction horizon resulted in a wMAPE of approx. 17.9%. The methodology proved robust regarding precise electrode positioning, as the effect of sensing position on error metrics was non-significant. The algorithm executes exceptionally fast, processing, estimating, and predicting a 0.5-second sEMG signal batch in just approx. 30 ms, facilitating real-time implementation.
- Abstract（参考訳）: 脳卒中や多発性硬化症などの症状による手機能の喪失は日常活動に大きな影響を及ぼす。
ロボットリハビリテーションは手機能の回復のためのツールを提供する一方、表面筋電図(sEMG)に基づく新しい手法は、ユーザの状態に応じてデバイスが出力する力の適応を可能にし、リハビリの成果を改善する。
本研究は,1組のsEMGセンサペアを用いた中包みにおける精度の高い力推定を実現することを目的として,高精度な予測のためのセンサ要求をエスカレートすることの課題に対処することを目的とする。
前腕2位13名を対象にSEMG測定を行い,手指ダイナモメーターを用いて評価した。
フレキシブルな信号処理工程を構築し,処理したsEMG信号とグリップ力との間に高いピーク相関を生じさせた。
その後、感度分析によりインフルエンシアルパラメータが同定された。
我々は,新しいデータ駆動型クープマン演算子理論と問題固有データリフト手法を活用し,処理されたsEMG信号からグリップ力の推定と短期予測を行う手法を考案した。
近似の重み付き平均絶対パーセンテージ誤差(wMAPE)。
グリップ力の推定では5.5%が達成され, 0.5秒の予測地平線による予測は近似のwMAPEとなった。
17.9%
精度の高い電極位置決めに関する手法は、誤差測定値に対する検出位置の影響が重要でないため、堅牢であることが証明された。
アルゴリズムは非常に高速で、処理、推定、0.5秒のsEMG信号のバッチを近似で予測する。
リアルタイム実装を容易にする。
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) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Adversarial Reweighting with $α$-Power Maximization for Domain Adaptation [56.859005008344276]
我々は、$alpha$-Power Maximization (ARPM) を用いたAdversarial Reweightingと呼ばれる新しいアプローチを提案する。
本稿では,ソースプライマリなクラスサンプルを特定するために,逆向きにソースドメインデータを再重み付けすることを学習する,新しい逆方向再重み付けモデルを提案する。
提案手法は最近のPDA法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-26T09:29:55Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳（メタデータ） (2023-02-07T03:14:00Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Attention-based Estimation and Prediction of Human Intent to augment Haptic Glove aided Control of Robotic Hand [8.122666529456795]
手紙は、特定の関心の対象を手動で操作するロボットハンドのハプティックグローブに基づく制御に焦点を当てている。
HGとRHの高次元運動信号は、固有変数を持つため、HGからRHへの運動信号の直接マッピングの確立が困難となる。
ロボットハンドで保持されている物体の目的のポーズに関連して,人間の制御器から取得した動作信号を定量化するための推定機構を提案する。
論文 参考訳（メタデータ） (2021-10-15T09:12:44Z) - 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) - Towards Creating a Deployable Grasp Type Probability Estimator for a
Prosthetic Hand [11.008123712007402]
InceptionV3は0.95角類似度で最高精度を達成し、1.4 MobileNetV2は0.93で動作量は20%である。
我々の研究は、機械学習とコンピュータビジョンによるEMGインテント推論を物理的状態の確率で拡張することを可能にする。
論文 参考訳（メタデータ） (2021-01-13T21:39:41Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。