論文の概要: MoEMba: A Mamba-based Mixture of Experts for High-Density EMG-based Hand Gesture Recognition

• arxiv url: http://arxiv.org/abs/2502.17457v1
• Date: Sun, 09 Feb 2025 17:07:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:22:59.425360
• Title: MoEMba: A Mamba-based Mixture of Experts for High-Density EMG-based Hand Gesture Recognition
• Title（参考訳）: MoEMba:高密度EMGによる手指ジェスチャー認識のためのマンバ系エキスパートの混合
• Authors: Mehran Shabanpour, Kasra Rad, Sadaf Khademi, Arash Mohammadi,
• Abstract要約: 高密度表面筋電図(HDsEMG)がヒューマン・コンピュータ・インタラクション(HCI)の鍵となる。 本稿では、選択状態空間モデル(SSM)を利用して、HD-sEMGに基づくジェスチャー認識を強化する新しいアプローチであるMoEMbaフレームワークを紹介する。 CapgMyo HD-sEMGデータセットの実験結果は、MoEMbaが56.9%のバランスの取れた精度を達成し、最先端の製品よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 5.211860566766601
• License:
• Abstract: High-Density surface Electromyography (HDsEMG) has emerged as a pivotal resource for Human-Computer Interaction (HCI), offering direct insights into muscle activities and motion intentions. However, a significant challenge in practical implementations of HD-sEMG-based models is the low accuracy of inter-session and inter-subject classification. Variability between sessions can reach up to 40% due to the inherent temporal variability of HD-sEMG signals. Targeting this challenge, the paper introduces the MoEMba framework, a novel approach leveraging Selective StateSpace Models (SSMs) to enhance HD-sEMG-based gesture recognition. The MoEMba framework captures temporal dependencies and cross-channel interactions through channel attention techniques. Furthermore, wavelet feature modulation is integrated to capture multi-scale temporal and spatial relations, improving signal representation. Experimental results on the CapgMyo HD-sEMG dataset demonstrate that MoEMba achieves a balanced accuracy of 56.9%, outperforming its state-of-the-art counterparts. The proposed framework's robustness to session-to-session variability and its efficient handling of high-dimensional multivariate time series data highlight its potential for advancing HD-sEMG-powered HCI systems.
• Abstract（参考訳）: 高密度表面筋電図(HDsEMG)は、ヒト-コンピュータインタラクション(HCI)の重要な情報源として現れ、筋肉の活動や運動意図への直接的な洞察を提供する。 しかし、HD-sEMGベースのモデルの実装における重要な課題は、セッション間およびオブジェクト間分類の精度が低いことである。 セッション間のばらつきはHD-sEMG信号の時間変動によって最大40%に達する。 この課題を目標として,HD-sEMGに基づくジェスチャー認識を強化するためにSSM(Selective StateSpace Models)を利用した新しいアプローチであるMoEMbaフレームワークを提案する。 MoEMbaフレームワークは、チャネルアテンション技術を通じて、時間的依存関係とチャネル間相互作用をキャプチャする。 さらに、ウェーブレット特徴変調を統合して、マルチスケールの時間的および空間的関係を捕捉し、信号表現を改善する。 CapgMyo HD-sEMGデータセットの実験結果は、MoEMbaが56.9%のバランスの取れた精度を達成し、最先端の製品よりも優れていることを示している。 提案フレームワークはセッション・ツー・セッションの変動性に対するロバストさと高次元多変量時系列データの効率的なハンドリングにより,HD-sEMGを用いたHCIシステムの進歩の可能性を明らかにする。

関連論文リスト

• MHSA: A Multi-scale Hypergraph Network for Mild Cognitive Impairment Detection via Synchronous and Attentive Fusion [4.526574526136158]
  同期核融合によるMCI検出のためのマルチスケールハイパーグラフネットワークを提案する。 本手法では、関心領域のスペクトル領域における位相同期関係を計算するために、位相同期値(PLV)を用いる。 PLV係数は動的に戦略を調整し,時間スペクトル融合行列に基づいて動的ハイパーグラフをモデル化する。
  論文  参考訳（メタデータ） (2024-12-11T02:59:57Z)
• DyMix: Dynamic Frequency Mixup Scheduler based Unsupervised Domain Adaptation for Enhancing Alzheimer's Disease Identification [9.506504023554031]
  教師なしドメイン適応のための動的周波数混合スケジューラ(DyMix)を提案する。 提案するDyMixは、ソース領域とターゲット領域とを混合した周波数領域の大きさを調整する。 アルツハイマー病の診断において,最先端の方法と比較して優れた成績を示した。
  論文  参考訳（メタデータ） (2024-10-02T07:18:47Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• EEG-SSM: Leveraging State-Space Model for Dementia Detection [21.67998806043568]
  ステートスペースモデル(SSM)は、長いデータシーケンスを効果的に処理するために注目を集めている。 本研究では,脳波データを用いた認知症分類のための状態空間モデルに基づく新しいアプローチであるEEG-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-07-25T06:20:03Z)
• HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising [11.022546457796949]
  本研究では,HSIにおける空間スペクトル依存性を効果的に捉えるために,線形複雑性を利用したHSIDMamba(HSDM)を提案する。 HSDMは複数のハイパースペクトル連続走査ブロックから構成され、BCSM(Bidirectional Continuous Scanning Mechanism)、スケール残留、スペクトル注意機構が組み込まれている。 BCSMは、前向きと後向きのスキャンをリンクし、SSMを介して8方向の情報を強化することにより、空間-スペクトル相互作用を強化する。
  論文  参考訳（メタデータ） (2024-04-15T11:59:19Z)
• 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)
• From Unimodal to Multimodal: improving sEMG-Based Pattern Recognition via deep generative models [1.1477981286485912]
  マルチモーダルハンドジェスチャ認識(HGR)システムは,HGRシステムと比較して高い認識精度を実現することができる。 本稿では,仮想慣性計測ユニット(IMU)信号を用いた表面筋電図(sEMG)に基づくHGRの精度向上のための新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2023-08-08T07:15:23Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• 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)

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。