論文の概要: A Comparative Study of EMG- and IMU-based Gesture Recognition at the Wrist and Forearm

• arxiv url: http://arxiv.org/abs/2512.07997v1
• Date: Mon, 08 Dec 2025 19:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.706924
• Title: A Comparative Study of EMG- and IMU-based Gesture Recognition at the Wrist and Forearm
• Title（参考訳）: 前腕前腕部における筋電図とIMUによるジェスチャー認識の比較検討
• Authors: Soroush Baghernezhad, Elaheh Mohammadreza, Vinicius Prado da Fonseca, Ting Zou, Xianta Jiang,
• Abstract要約: IMU信号は、静的ジェスチャー認識のための唯一の入力センサとして機能する十分な情報を含んでいる。 IMUが捉えた腱誘起微小運動は静的ジェスチャー認識に大きく貢献する。
• 参考スコア（独自算出の注目度）: 3.990794855710089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gestures are an integral part of our daily interactions with the environment. Hand gesture recognition (HGR) is the process of interpreting human intent through various input modalities, such as visual data (images and videos) and bio-signals. Bio-signals are widely used in HGR due to their ability to be captured non-invasively via sensors placed on the arm. Among these, surface electromyography (sEMG), which measures the electrical activity of muscles, is the most extensively studied modality. However, less-explored alternatives such as inertial measurement units (IMUs) can provide complementary information on subtle muscle movements, which makes them valuable for gesture recognition. In this study, we investigate the potential of using IMU signals from different muscle groups to capture user intent. Our results demonstrate that IMU signals contain sufficient information to serve as the sole input sensor for static gesture recognition. Moreover, we compare different muscle groups and check the quality of pattern recognition on individual muscle groups. We further found that tendon-induced micro-movement captured by IMUs is a major contributor to static gesture recognition. We believe that leveraging muscle micro-movement information can enhance the usability of prosthetic arms for amputees. This approach also offers new possibilities for hand gesture recognition in fields such as robotics, teleoperation, sign language interpretation, and beyond.
• Abstract（参考訳）: ジェスチャーは、私たちの日々の環境との相互作用の不可欠な部分です。 ハンドジェスチャー認識(HGR)は、視覚データ(画像やビデオ)や生体信号など、様々な入力モダリティを通じて人間の意図を解釈するプロセスである。 バイオシグナーは、腕に装着されたセンサーを介して非侵襲的に捕獲できるため、HGRで広く使用されている。 これらのうち、筋肉の電気活動を測定する表面筋電図(sEMG)が最も広く研究されている。 しかし、慣性測定単位(IMU)のような探索されていない代替手段は、微妙な筋肉の動きを補完する情報を提供することができ、ジェスチャー認識に有用である。 本研究では,異なる筋群からのIMU信号を用いてユーザ意図を捉える可能性について検討した。 以上の結果から,IMU信号は静的なジェスチャー認識のための唯一の入力センサとして機能する十分な情報を含んでいることが示された。 さらに,異なる筋群を比較し,個々の筋群におけるパターン認識の質を確認した。 さらに,IMUが捉えた腱による微小運動が静的ジェスチャー認識に大きく寄与していることが判明した。 筋微小運動情報を活用することで、人工腕のアンプ使用性を高めることができると信じている。 このアプローチはまた、ロボット工学、遠隔操作、手話解釈などの分野における手動ジェスチャー認識の新しい可能性を提供する。

関連論文リスト

• Reconstruction of Surface EMG Signal using IMU data for Upper Limb Actions [0.7359962178534359]
  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。
  論文  参考訳（メタデータ） (2025-11-21T12:26:33Z)
• CAST-Phys: Contactless Affective States Through Physiological signals Database [74.28082880875368]
  感情的なマルチモーダルデータセットの欠如は、正確な感情認識システムを開発する上で、依然として大きなボトルネックとなっている。 遠隔の生理的感情認識が可能な新しい高品質なデータセットであるCAST-Physを提示する。 本分析では,表情だけでは十分な感情情報が得られない現実的なシナリオにおいて,生理的信号が重要な役割を担っていることを強調した。
  論文  参考訳（メタデータ） (2025-07-08T15:20:24Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• Multimodal Fusion of EMG and Vision for Human Grasp Intent Inference in Prosthetic Hand Control [11.400385533782204]
  前腕の視線映像,視線,筋電図を用いた意図推定のためのベイズ的エビデンス融合フレームワークを提案する。 我々は、手が物体に近づくと、時間関数として個人と融合性能を解析し、それを把握する。
  論文  参考訳（メタデータ） (2021-04-08T17:01:19Z)
• Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
  機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。 現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。 本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
  論文  参考訳（メタデータ） (2021-01-17T17:02:04Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)
• 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。