論文の概要: Long-Term Upper-Limb Prosthesis Myocontrol via High-Density sEMG and Incremental Learning
- arxiv url: http://arxiv.org/abs/2412.16271v1
- Date: Fri, 20 Dec 2024 15:37:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:56:10.601709
- Title: Long-Term Upper-Limb Prosthesis Myocontrol via High-Density sEMG and Incremental Learning
- Title(参考訳): 高密度sEMGとインクリメンタルラーニングによる長期上肢補綴筋制御
- Authors: Dario Di Domenico, Nicolò Boccardo, Andrea Marinelli, Michele Canepa, Emanuele Gruppioni, Matteo Laffranchi, Raffaello Camoriano,
- Abstract要約: 本稿では,高密度sEMG(HD-sEMG)セットアップとインクリメンタルラーニングを組み合わせた新しい筋電気補綴システムを提案する。
まず,前腕に64個のドライ電極を配置した小型HD-sEMGインタフェースを提案する。
そこで本研究では,データストリーム上でモデル適応が可能な効率的なインクリメンタル学習システムを提案する。
- 参考スコア(独自算出の注目度): 1.5383266953224775
- License:
- Abstract: Noninvasive human-machine interfaces such as surface electromyography (sEMG) have long been employed for controlling robotic prostheses. However, classical controllers are limited to few degrees of freedom (DoF). More recently, machine learning methods have been proposed to learn personalized controllers from user data. While promising, they often suffer from distribution shift during long-term usage, requiring costly model re-training. Moreover, most prosthetic sEMG sensors have low spatial density, which limits accuracy and the number of controllable motions. In this work, we address both challenges by introducing a novel myoelectric prosthetic system integrating a high density-sEMG (HD-sEMG) setup and incremental learning methods to accurately control 7 motions of the Hannes prosthesis. First, we present a newly designed, compact HD-sEMG interface equipped with 64 dry electrodes positioned over the forearm. Then, we introduce an efficient incremental learning system enabling model adaptation on a stream of data. We thoroughly analyze multiple learning algorithms across 7 subjects, including one with limb absence, and 6 sessions held in different days covering an extended period of several months. The size and time span of the collected data represent a relevant contribution for studying long-term myocontrol performance. Therefore, we release the DELTA dataset together with our experimental code.
- Abstract(参考訳): 表面筋電図(sEMG)のような非侵襲的なヒューマンマシンインタフェースは、ロボット補綴物の制御に長年使われてきた。
しかし、古典的なコントローラーは数自由度(DoF)に制限されている。
近年,ユーザデータからパーソナライズされたコントローラを学習するための機械学習手法が提案されている。
有望な一方で、長期使用中に分散シフトに悩まされ、コストのかかるモデル再トレーニングが必要になることも多い。
さらに、ほとんどの義肢のsEMGセンサーは空間密度が低く、精度と制御可能な運動数を制限する。
本研究では,高密度sEMG(HD-sEMG)とインクリメンタル学習を組み合わせた新しい筋電義肢システムを導入し,ハンセン義肢の7つの動作を正確に制御することで,両課題に対処する。
まず,前腕に64個のドライ電極を配置した小型HD-sEMGインタフェースを提案する。
そこで本研究では,データストリーム上でモデル適応が可能な効率的なインクリメンタル学習システムを提案する。
被験者7名を対象に複数の学習アルゴリズムを網羅的に分析し,手足不在者1名と,数ヶ月の延長期間をカバーする6セッションを異なる日に分けて実施した。
収集したデータのサイズと時間スパンは、長期のミオコントロール性能を研究するための重要な貢献である。
そこで我々は実験コードとともにDELTAデータセットをリリースする。
関連論文リスト
- CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - Online Adaptation for Myographic Control of Natural Dexterous Hand and Finger Movements [0.6741087029030101]
この研究は、補綴制御システムから得られる信頼性、応答性、運動の複雑さの観点から、筋電図復号における最先端の状態を再定義する。
論文 参考訳(メタデータ) (2024-12-23T21:20:32Z) - Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳(メタデータ) (2024-03-07T10:05:09Z) - 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) - 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) - DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。
本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
論文 参考訳(メタデータ) (2022-09-12T13:26:26Z) - An adaptive closed-loop ECoG decoder for long-term and stable bimanual
control of an exoskeleton by a tetraplegic [91.6474995587871]
複雑なタスクに対する多様なエフェクタのハイパフォーマンス制御は、時間とともに堅牢で、デコーダの継続的な再校正なしに高いデコード性能でなければならない。
適応型オンラインテンソルベースデコーダ「Recursive Exponentially Weighted Markov-Switching Multi-linear Model (REW-MSLM)」を開発した。
復号器の再校正なしにREW-MSLMを用いて,外骨格と仮想アバターの8次元バイマニュアル制御の安定性を6ヶ月にわたって実証した。
論文 参考訳(メタデータ) (2022-01-25T16:51:29Z) - Deep Transfer-Learning for patient specific model re-calibration:
Application to sEMG-Classification [0.2676349883103404]
機械学習ベースのsEMGデコーダは、主題固有のデータに基づいてトレーニングされるか、少なくとも各ユーザに対して個別に再分類される。
sEMGデータの可用性が限られているため、ディープラーニングモデルは過度に適合する傾向にある。
近年、ドメイン適応のための転写学習は、訓練時間を短縮して一般化品質を改善した。
論文 参考訳(メタデータ) (2021-12-30T11:35:53Z) - 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) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z)
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。