論文の概要: TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge

• arxiv url: http://arxiv.org/abs/2512.15729v1
• Date: Fri, 05 Dec 2025 17:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.780604
• Title: TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge
• Title（参考訳）: TinyMyo: エッジでフレキシブルなEMG信号処理のためのTiny Foundation Model
• Authors: Matteo Fasulo, Giusy Spacone, Thorir Mar Ingolfsson, Yawei Li, Luca Benini, Andrea Cossettini,
• Abstract要約: 表面筋電図(EMG)の軽量基礎モデルTinyMyoについて述べる。 このモデルは、公開データセット上で自己管理的な方法で事前訓練され、3.6Mパラメータのみで高い再構成忠実度を達成する。 手のジェスチャー分類、手動回帰、音声生成、音声認識における一般化を実証し、その性能は最先端技術(SoA)に匹敵するか上回っている。 我々は、私たちの知る限り、EMG FMを超低消費電力マイクロコントローラ(GAP9)に初めて展開し、平均電力エンベロープ36.45mWを達成したことを報告している。
• 参考スコア（独自算出の注目度）: 14.115504534589896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyography (EMG) is a non-invasive sensing modality used in several domains, including biomechanics, rehabilitation, prosthetic control, and emerging human-machine interaction paradigms. Despite decades of use, significant challenges remain in achieving robust generalization across subjects, recording systems, and acquisition protocols. To tackle these challenges, foundation models (FMs) are gaining traction when targeting end-to-end applications based on EMG signals. Yet, existing EMG FMs remain limited to single downstream tasks and lack deployability on embedded platforms. In this work, we present TinyMyo, a lightweight FM based on a Transformer encoder architecture. The model is pre-trained in a self-supervised manner on publicly available datasets and achieves high reconstruction fidelity with only 3.6M parameters. With minimal task-specific head adaptations, the same backbone is used to tackle multiple downstream tasks, leveraging datasets acquired from diverse sensing locations and hardware platforms. We demonstrate generalization across hand gesture classification, hand kinematic regression, speech production and recognition, with performance comparable to or surpassing the state of the art (SoA), and model size below 5M parameters. We achieve SoA results compared to previous FM-based works on the NinaPro DB5 ($89.4\pm0.16\%$), UCI-EMG ($97.56\pm0.32\%$), and EPN-612 ($96.74\pm0.09\%$) datasets. We report, to the best of our knowledge, the first deployment of an EMG FM on an ultra-low-power microcontroller (GAP9), achieving an average power envelope of 36.45mW. By open-sourcing the pre-trained and the downstream task architectures (https://github.com/pulp-bio/BioFoundation), we aim to provide a flexible resource that can accelerate future research and serve as a common foundation for the EMG community.
• Abstract（参考訳）: 表面筋電図(英語: Surface Electromyography、EMG)は、生体力学、リハビリテーション、補綴器制御、新しいヒトと機械の相互作用パラダイムなど、いくつかの領域で使われる非侵襲的な知覚モダリティである。 数十年にわたる使用にもかかわらず、主題、記録システム、取得プロトコルをまたいだ堅牢な一般化を実現する上で大きな課題が残っている。 これらの課題に対処するため、EMG信号に基づいたエンドツーエンドアプリケーションをターゲットにする基盤モデル(FM)が注目を集めている。 しかし、既存のEMG FMはシングルダウンストリームタスクに限られており、組み込みプラットフォームへのデプロイ性が欠けている。 本稿では,Transformerエンコーダアーキテクチャに基づく軽量FMであるTinyMyoを紹介する。 このモデルは、公開データセット上で自己管理的な方法で事前訓練され、3.6Mパラメータのみで高い再構成忠実度を達成する。 タスク固有の頭部適応を最小限にして、同じバックボーンを使用して、さまざまなセンサロケーションやハードウェアプラットフォームから取得したデータセットを活用して、複数の下流タスクに対処する。 我々は,手動作分類,手動回帰,音声生成,音声認識の一般化を,最先端技術(SoA)に匹敵する性能,および5Mパラメータ未満のモデルサイズで示す。 我々は、以前のFMベースのNinaPro DB5(89.4\pm0.16\%$)、UCI-EMG(97.56\pm0.32\%$)、EPN-612(96.74\pm0.09\%$)のデータセットと比較してSoAの結果を得た。 我々は、私たちの知る限り、EMG FMを超低消費電力マイクロコントローラ(GAP9)に初めて展開し、平均電力エンベロープ36.45mWを達成したことを報告している。 トレーニング済みおよび下流タスクアーキテクチャ(https://github.com/pulp-bio/BioFoundation)をオープンソース化することで、将来の研究を加速し、EMGコミュニティの共通の基盤となる柔軟なリソースを提供することを目指している。

関連論文リスト

• MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification [12.648298676665886]
  脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。 本稿では,運動画像パラダイムに適した脳波基礎モデルMIRepNetを提案する。
  論文  参考訳（メタデータ） (2025-07-27T12:54:42Z)
• IQFM A Wireless Foundational Model for I/Q Streams in AI-Native 6G [7.531126877550286]
  本稿では,無線通信における最初のI/Q信号基礎モデルであるIQFMについて述べる。 IQFMは変調分類、AoA、ビーム予測、RFフィンガープリントといった様々なタスクをサポートする。 また、タスク対応強化戦略を導入し、変換をコア拡張に分類する。
  論文  参考訳（メタデータ） (2025-06-07T09:01:38Z)
• 6G WavesFM: A Foundation Model for Sensing, Communication, and Localization [6.70088826174291]
  本稿では,無線基礎モデル(WFM)フレームワークについて紹介する。 提案アーキテクチャでは,共有ビジョントランスフォーマー(ViT)バックボーンとタスク固有の多層パーセプトロンヘッドを組み合わせるとともに,パラメータ効率の良い微調整のためのローランド適応(LoRA)を組み込む。 我々は、統一WFMが多様なタスクをサポートし、性能と効率の両方において大きな利益をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-04-18T22:51:35Z)
• SDPose: Tokenized Pose Estimation via Circulation-Guide Self-Distillation [53.675725490807615]
  SDPoseは小型変圧器モデルの性能向上のための新しい自己蒸留法である。 SDPose-Tは4.4Mパラメータと1.8 GFLOPを持つ69.7%のmAPを取得し、SDPose-S-V2はMSCOCO検証データセット上で73.5%のmAPを取得する。
  論文  参考訳（メタデータ） (2024-04-04T15:23:14Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation [83.18930314027254]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 本研究では,VT-Huge をバックボーンとする第1次一般基礎モデル (SMPLer-X) に向けた EHPS のスケールアップについて検討する。 ビッグデータと大規模モデルにより、SMPLer-Xは、さまざまなテストベンチマークにまたがる強力なパフォーマンスと、目に見えない環境への優れた転送性を示す。
  論文  参考訳（メタデータ） (2023-09-29T17:58:06Z)
• EMGTFNet: Fuzzy Vision Transformer to decode Upperlimb sEMG signals for Hand Gestures Recognition [0.1611401281366893]
  本稿では,手動ジェスチャー認識を行うために,EMGTFNetと呼ばれるファジィニューラルブロック(FNB)を用いた視覚変換器(ViT)アーキテクチャを提案する。 提案モデルの精度は49種類の手ジェスチャーからなるNinaProデータベースを用いて検証した。
  論文  参考訳（メタデータ） (2023-09-23T18:55:26Z)
• 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)

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。