論文の概要: VAE-Based Synthetic EMG Generation with Mix-Consistency Loss for Recognizing Unseen Motion Combinations

• arxiv url: http://arxiv.org/abs/2511.09060v1
• Date: Thu, 13 Nov 2025 01:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.388183
• Title: VAE-Based Synthetic EMG Generation with Mix-Consistency Loss for Recognizing Unseen Motion Combinations
• Title（参考訳）: 未知の運動の組み合わせを認識するための混合整合損失を用いたVAEベース合成EMG生成
• Authors: Itsuki Yazawa, Akira Furui,
• Abstract要約: 構造化潜在空間における複合動作パターンの合成を学習する新しい手法を提案する。 具体的には、変動オートエンコーダ(VAE)を用いて、EMG信号を低次元表現に符号化する。 合成パターンは、この構造化潜在空間内で生成され、未知の複合運動を認識するための分類器の訓練に使用される。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electromyogram (EMG)-based motion classification using machine learning has been widely employed in applications such as prosthesis control. While previous studies have explored generating synthetic patterns of combined motions to reduce training data requirements, these methods assume that combined motions can be represented as linear combinations of basic motions. However, this assumption often fails due to complex neuromuscular phenomena such as muscle co-contraction, resulting in low-fidelity synthetic signals and degraded classification performance. To address this limitation, we propose a novel method that learns to synthesize combined motion patterns in a structured latent space. Specifically, we employ a variational autoencoder (VAE) to encode EMG signals into a low-dimensional representation and introduce a mixconsistency loss that structures the latent space such that combined motions are embedded between their constituent basic motions. Synthetic patterns are then generated within this structured latent space and used to train classifiers for recognizing unseen combined motions. We validated our approach through upper-limb motion classification experiments with eight healthy participants. The results demonstrate that our method outperforms input-space synthesis approaches, achieving approximately 30% improvement in accuracy.
• Abstract（参考訳）: 機械学習を用いた筋電図に基づく動作分類は, 補綴制御などの応用に広く用いられている。 従来の研究では, 複合動作の合成パターンの生成について検討されてきたが, これらの手法では, 複合動作を基本動作の線形結合として表現できると考えている。 しかし、この仮定は筋肉のココントラクションのような複雑な神経筋現象のためにしばしば失敗し、低忠実性合成信号と劣化した分類性能をもたらす。 この制限に対処するため,構造化潜在空間における複合動作パターンの合成を学習する新しい手法を提案する。 具体的には、変動型オートエンコーダ(VAE)を用いて、EMG信号を低次元の表現に符号化し、複合動作を基本動作の間に埋め込むような潜在空間を構造化する混合整合性損失を導入する。 合成パターンは、この構造化潜在空間内で生成され、未知の複合運動を認識するための分類器の訓練に使用される。 健常者8名を対象に上肢運動分類実験を行った。 その結果,提案手法は入力空間合成手法よりも優れ,約30%の精度向上を実現していることがわかった。

関連論文リスト

• Towards Generalized Synapse Detection Across Invertebrate Species [0.07999703756441755]
  SimpSynはシングルステージのResidual U-Netで、シナプス前および後における二重チャネルの球面の予測を訓練している。 F1スコアのSynfulは、すべてのボリュームで相乗的なサイト検出に優れています。
  論文  参考訳（メタデータ） (2025-09-21T11:40:49Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• Recognition of Unseen Combined Motions via Convex Combination-based EMG Pattern Synthesis for Myoelectric Control [1.9662978733004604]
  本稿では,合成筋電図データを用いて協調動作を効率よく認識する手法を提案する。 実験結果から,提案手法は未確認複合動作の分類精度を約17%向上した。
  論文  参考訳（メタデータ） (2025-05-21T07:46:26Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• A Multi-label Classification Approach to Increase Expressivity of EMG-based Gesture Recognition [4.701158597171363]
  本研究の目的は,表面筋電図に基づくジェスチャー認識システム(SEMG)の表現性を効率的に向上することである。 動作を2つのバイオメカニカルな独立したコンポーネントに分割する問題変換アプローチを用いる。
  論文  参考訳（メタデータ） (2023-09-13T20:21:41Z)
• A Multi-Resolution Physics-Informed Recurrent Neural Network: Formulation and Application to Musculoskeletal Systems [1.978587235008588]
  本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。 提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。 このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
  論文  参考訳（メタデータ） (2023-05-26T02:51:39Z)
• SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation [17.10686650166592]
  自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるSynthMixを提案する。 GANの敵対的哲学に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。 実際のサンプルと合成サンプルの整列したイメージをコヒーレントに混ぜて、きめ細かい特徴の生成を刺激した。
  論文  参考訳（メタデータ） (2023-05-07T01:37:46Z)
• MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
  多様な動きを合成する無条件生成モデルであるMoDiを提案する。 我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。 データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T09:06:25Z)
• Discretization and Re-synthesis: an alternative method to solve the Cocktail Party Problem [65.25725367771075]
  この研究は、初めて合成に基づくアプローチがこの問題にうまく対応できることを示した。 具体的には,離散シンボルの認識に基づく音声分離/強調モデルを提案する。 離散シンボルの入力による合成モデルを利用することで、離散シンボル列の予測後、各ターゲット音声を再合成することができる。
  論文  参考訳（メタデータ） (2021-12-17T08:35:40Z)

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。