論文の概要: Typing Reinvented: Towards Hands-Free Input via sEMG

• arxiv url: http://arxiv.org/abs/2511.18213v1
• Date: Sat, 22 Nov 2025 23:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.700089
• Title: Typing Reinvented: Towards Hands-Free Input via sEMG
• Title（参考訳）: タイピング再発明: sEMGによるハンズフリー入力に向けて
• Authors: Kunwoo Lee, Dhivya Sreedhar, Pushkar Saraf, Chaeeun Lee, Kateryna Shapovalenko,
• Abstract要約: 次世代ヒューマン・コンピュータ・インタラクション(HCI)における没入型タイピングを対象とし,筋活動とキーボード入力をマッピングするための非侵襲的入力モダリティとして表面筋電図(sEMG)を探索する。 我々は既存の畳み込みベースラインを大幅に上回り、オンラインジェネリックCERを24.98%から20.34%に減らし、オフラインパーソナライズしたCERを10.86%から10.10%に減らし、完全な因果関係を維持した。 さらに,言語モデルに基づく修正を施した軽量な復号パイプラインを導入し,将来のウェアラブルおよび空間インタフェースにおいて,正確なリアルタイム筋肉駆動型テキスト入力の実現可能性を示す。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore surface electromyography (sEMG) as a non-invasive input modality for mapping muscle activity to keyboard inputs, targeting immersive typing in next-generation human-computer interaction (HCI). This is especially relevant for spatial computing and virtual reality (VR), where traditional keyboards are impractical. Using attention-based architectures, we significantly outperform the existing convolutional baselines, reducing online generic CER from 24.98% -> 20.34% and offline personalized CER from 10.86% -> 10.10%, while remaining fully causal. We further incorporate a lightweight decoding pipeline with language-model-based correction, demonstrating the feasibility of accurate, real-time muscle-driven text input for future wearable and spatial interfaces.
• Abstract（参考訳）: 次世代のヒューマン・コンピュータ・インタラクション(HCI)における没入型タイピングを対象とし,筋活動とキーボード入力をマッピングするための非侵襲的な入力モダリティとして表面筋電図(sEMG)を探索する。 これは、従来のキーボードが実用的でない空間コンピューティングと仮想現実(VR)に特に関係している。 注意に基づくアーキテクチャを使用して、既存の畳み込みベースラインを著しく上回り、オンラインジェネリックCERを24.98%から20.34%に、オフラインパーソナライズしたCERを10.86%から10.10%に削減し、完全な因果関係を維持した。 さらに,言語モデルに基づく修正を施した軽量な復号パイプラインを導入し,将来のウェアラブルおよび空間インタフェースにおいて,正確なリアルタイム筋肉駆動型テキスト入力の実現可能性を示す。

関連論文リスト

• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Typing on Any Surface: A Deep Learning-based Method for Real-Time Keystroke Detection in Augmented Reality [4.857109990499532]
  空中キーボードインターフェース、ワイヤレスキーボード、または音声入力は、エルゴノミクス設計が貧弱で、精度が限られているか、単に公の場で使うのが恥ずかしい。 本稿では、ユーザ視点のRGBビデオストリームから、ARアプリケーションがキーストロークを正確に予測できるディープラーニングベースのアプローチを提案し、検証する。 既製ハンドランドマーク抽出器と,適応型畳み込みリカレントニューラルネットワーク(C-RNN)を併用した2段階モデルを開発した。
  論文  参考訳（メタデータ） (2023-08-31T23:58:25Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)

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。