論文の概要: Reconstruction of Surface EMG Signal using IMU data for Upper Limb Actions

• arxiv url: http://arxiv.org/abs/2511.17200v1
• Date: Fri, 21 Nov 2025 12:26:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.014619
• Title: Reconstruction of Surface EMG Signal using IMU data for Upper Limb Actions
• Title（参考訳）: IMUデータを用いた上肢動作のための表面筋電図信号の再構成
• Authors: Shubhranil Basak, Mada Hemanth, Madhav Rao,
• Abstract要約: 深層学習を用いた6軸IMUデータからの正規化sEMG信号の合成について検討する。 拡張因果畳み込みに基づくスライディング・ウィンドウ・ウェーブ・ネットモデルを用いて,IMUデータをsEMG信号にマッピングする訓練を行った。 以上の結果から,筋活動のタイミングと全般的な形状をモデルが予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.7359962178534359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface Electromyography (sEMG) provides vital insights into muscle function, but it can be noisy and challenging to acquire. Inertial Measurement Units (IMUs) provide a robust and wearable alternative to motion capture systems. This paper investigates the synthesis of normalized sEMG signals from 6-axis IMU data using a deep learning approach. We collected simultaneous sEMG and IMU data sampled at 1~KHz for various arm movements. A Sliding-Window-Wave-Net model, based on dilated causal convolutions, was trained to map the IMU data to the sEMG signal. The results show that the model successfully predicts the timing and general shape of muscle activations. Although peak amplitudes were often underestimated, the high temporal fidelity demonstrates the feasibility of using this method for muscle intent detection in applications such as prosthetics and rehabilitation biofeedback.
• Abstract（参考訳）: 表面筋電図(sEMG)は筋機能に重要な洞察を与えるが、ノイズがあり入手が困難である。 慣性計測ユニット(IMU)は、モーションキャプチャシステムに代わる堅牢でウェアラブルな装置を提供する。 深層学習を用いた6軸IMUデータからの正規化sEMG信号の合成について検討する。 各種腕の動きに対して1～KHzで採取したSEMGとIMUデータを同時収集した。 拡張因果畳み込みに基づくスライディング・ウィンドウ・ウェーブ・ネットモデルを用いて,IMUデータをsEMG信号にマッピングする訓練を行った。 以上の結果から,筋活動のタイミングと全般的な形状をモデルが予測できることが示唆された。 ピーク振幅はしばしば過小評価されたが、高い時間的忠実度は、人工装具やリハビリテーションバイオフィードバックなどの応用において、この方法を用いて筋肉の意図を検出する可能性を示している。

関連論文リスト

• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models [6.611531256245718]
  脳波信号は、生理的および環境的アーティファクトからの汚染のため、しばしば低信号対ノイズ比を示す。 本研究は,脳波信号の運動関連アーティファクトを特定するための,微調整型大脳モデル(LaBraM)に基づく相関注意マッピング手法を提案する。 IMU参照信号の導入は,様々な動作シナリオにおいて,ロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-09-01T02:29:14Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Deep Muscle EMG construction using A Physics-Integrated Deep Learning approach [0.7499722271664147]
  物理インフォームドとデータ駆動型ディープラーニングを統合したハイブリッドディープラーニングアルゴリズム,すなわちニューラル筋骨格モデル(NMM)を提案する。 データ駆動モデリングは、欠落したEMG信号を予測するのに使用されるが、物理に基づくモデリングは、対象固有の情報を予測にエングレーブする。
  論文  参考訳（メタデータ） (2025-03-07T07:46:26Z)
• MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network [21.596126531908908]
  表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。 我々は,Mamba状態空間モデルと畳み込みニューラルネットワークを統合し,軽量なsEMG復調モデルとして機能する新しいシステムであるMSEMGを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T04:25:28Z)
• SDEMG: Score-based Diffusion Model for Surface Electromyographic Signal Denoising [15.472398279233515]
  表面筋電図(sEMG)記録は、監視される筋肉が心臓に近いときに心電図(ECG)信号に影響される。 本稿では,SDEMGと呼ばれる新しい手法を提案し,SEMG信号デノイングのためのスコアベース拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-06T08:48:39Z)
• 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)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。