論文の概要: Detecting Domain Shifts in Myoelectric Activations: Challenges and Opportunities in Stream Learning

• arxiv url: http://arxiv.org/abs/2508.21278v1
• Date: Fri, 29 Aug 2025 00:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.909268
• Title: Detecting Domain Shifts in Myoelectric Activations: Challenges and Opportunities in Stream Learning
• Title（参考訳）: 筋電活動におけるドメインシフトの検出--ストリーム学習の課題と機会
• Authors: Yibin Sun, Nick Lim, Guilherme Weigert Cassales, Heitor Murilo Gomes, Bernhard Pfahringer, Albert Bifet, Anany Dwivedi,
• Abstract要約: 本稿では,NinaproデータベースからのDB6データセットに着目し,データストリーム(DS)学習技術を用いた領域シフトの検出について検討する。 我々は、異なる主題やセッションに基づいて、異なる時系列セグメントとしてドメインを定義し、これらのシフトを前処理し強調するために、コサインカーネルを備えたカーネル主成分分析(KPCA)を適用した。 本結果は,安定したEMGデコーディングモデルを維持するためのストリーミングベースのアプローチの可能性を強調し,実世界のシナリオにおけるロバスト性と精度を高めるためのさらなる研究領域を強調した。
• 参考スコア（独自算出の注目度）: 18.23599191355636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting domain shifts in myoelectric activations poses a significant challenge due to the inherent non-stationarity of electromyography (EMG) signals. This paper explores the detection of domain shifts using data stream (DS) learning techniques, focusing on the DB6 dataset from the Ninapro database. We define domains as distinct time-series segments based on different subjects and recording sessions, applying Kernel Principal Component Analysis (KPCA) with a cosine kernel to pre-process and highlight these shifts. By evaluating multiple drift detection methods such as CUSUM, Page-Hinckley, and ADWIN, we reveal the limitations of current techniques in achieving high performance for real-time domain shift detection in EMG signals. Our results underscore the potential of streaming-based approaches for maintaining stable EMG decoding models, while highlighting areas for further research to enhance robustness and accuracy in real-world scenarios.
• Abstract（参考訳）: 筋電活性化におけるドメインシフトの検出は、筋電図(EMG)の固有の非定常性のために大きな課題となる。 本稿では,NinaproデータベースからのDB6データセットに着目し,データストリーム(DS)学習技術を用いた領域シフトの検出について検討する。 ドメインは、異なる主題やセッションに基づいて、異なる時系列セグメントとして定義し、カーネル主成分分析(KPCA)とコサインカーネルを適用して、これらのシフトを前処理し、強調する。 CUSUM,Page-Hinckley,ADWINなどの複数のドリフト検出手法を評価することにより,EMG信号におけるリアルタイム領域シフト検出の高速化における現在の手法の限界を明らかにする。 本結果は,安定したEMGデコーディングモデルを維持するためのストリーミングベースのアプローチの可能性を明らかにするとともに,実世界のシナリオにおけるロバスト性と精度を高めるためのさらなる研究領域を強調した。

関連論文リスト

• Attention-based Generative Latent Replay: A Continual Learning Approach for WSI Analysis [3.6630930118966814]
  全体スライド画像(WSI)分類は、計算病理学において強力なツールとして登場したが、ドメインシフトによって制約されている。 本稿では,Attention-based Generative Latent Replay Continual Learning framework (AGLR-CL) を提案する。
  論文  参考訳（メタデータ） (2025-05-13T12:55:46Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• 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)
• Tackling Electrode Shift In Gesture Recognition with HD-EMG Electrode Subsets [0.8192907805418583]
  入力チャネルサブセットの集合に関するトレーニングを提案し、異なる電極位置のデータを用いてトレーニング分布を増強する。 本手法は,電極シフトに対するロバスト性を高め,被検体と分類アルゴリズム間の干渉性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-05T12:13:00Z)
• Active Learning for Abrupt Shifts Change-point Detection via Derivative-Aware Gaussian Processes [8.584847547809368]
  本稿では,変化点の特定を効果的に行うためにDACD法を提案する。 GP導出平均と分散を基準として、DACDは次のサンプリングデータポイントを順次選択する。 様々なシナリオにおけるDACD法の有効性について検討し、他のアクティブな学習変化点検出手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-05T22:44:05Z)
• Improving EEG-based Emotion Recognition by Fusing Time-frequency And Spatial Representations [29.962519978925236]
  クロスドメイン特徴融合法に基づく分類ネットワークを提案する。 また,2段階融合法を提案し,これらの手法を脳波感情認識ネットワークに適用する。 実験結果から,時間周波数領域と空間領域の複数の表現を結合したネットワークが,公開データセット上で従来の手法より優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-03-14T07:26:51Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)

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。