論文の概要: Pareto-Optimal Model Selection for Low-Cost, Single-Lead EMG Control in Embedded Systems

• arxiv url: http://arxiv.org/abs/2601.06516v1
• Date: Sat, 10 Jan 2026 10:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.856189
• Title: Pareto-Optimal Model Selection for Low-Cost, Single-Lead EMG Control in Embedded Systems
• Title（参考訳）: 組込みシステムにおける低コスト単層EMG制御のためのパレート最適モデル選択
• Authors: Carl Vincent Ladres Kho,
• Abstract要約: 消費者グレードのバイオセンサーは、医療グレードの筋電図(EMG)システムに代わる費用対効果を提供する。 これらの低コストセンサーは、重要な信号不安定性とモーションアーティファクトを導入している。 信頼性の高い低遅延EMG制御がコモディティハードウェア上で実現可能であることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consumer-grade biosensors offer a cost-effective alternative to medical-grade electromyography (EMG) systems, reducing hardware costs from thousands of dollars to approximately $13. However, these low-cost sensors introduce significant signal instability and motion artifacts. Deploying machine learning models on resource-constrained edge devices like the ESP32 presents a challenge: balancing classification accuracy with strict latency (<100ms) and memory (<320KB) constraints. Using a single-subject dataset comprising 1,540 seconds of raw data (1.54M data points, segmented into ~1,300 one-second windows), I evaluate 18 model architectures, ranging from statistical heuristics to deep transfer learning (ResNet50) and custom hybrid networks (MaxCRNN). While my custom "MaxCRNN" (Inception + Bi-LSTM + Attention) achieved the highest safety (99% Precision) and robustness, I identify Random Forest (74% accuracy) as the Pareto-optimal solution for embedded control on legacy microcontrollers. I demonstrate that reliable, low-latency EMG control is feasible on commodity hardware, with Deep Learning offering a path to near-perfect reliability on modern Edge AI accelerators.
• Abstract（参考訳）: コンシューマグレードのバイオセンサーは、医療用エレクトロミオグラフィー(EMG)システムに代わるコスト効率の良い代替手段を提供し、ハードウェアコストを数千ドルから約13.99ドルに削減する。 しかし、これらの低コストセンサーは、重要な信号不安定性とモーションアーティファクトをもたらす。 ESP32のようなリソース制約のあるエッジデバイスに機械学習モデルをデプロイすることは、分類精度と厳密なレイテンシ(100ms)とメモリ(320KB)の制約のバランスをとるという課題を提示している。 1,540秒の生データ(1.54万のデータポイント、約1,300の1秒ウィンドウ)からなる単一オブジェクトデータセットを用いて、統計的ヒューリスティックスから深層移動学習(ResNet50)、カスタムハイブリッドネットワーク(MaxCRNN)まで、18のモデルアーキテクチャを評価した。 カスタムの"MaxCRNN" (Inception + Bi-LSTM + Attention) は、99%の精度と堅牢性を達成したが、Random Forest (74%の精度) はレガシーマイクロコントローラの組込み制御のためのパレート最適ソリューションである。 信頼性と低レイテンシのEMGコントロールがコモディティハードウェア上で実現可能であることを実証しています。

関連論文リスト

• DS-CIM: Digital Stochastic Computing-In-Memory Featuring Accurate OR-Accumulation via Sample Region Remapping for Edge AI Models [8.92683306412944]
  本稿では,高い精度と効率を実現するデジタルCIM(DS-CIM)アーキテクチャを提案する。 データ表現を変更することで、コンパクトで符号のないORベースの回路に乗算累積(MAC)を実装する。 我々のコア戦略である2Dの共有ランダム数生成器(PRNG)は、単一サイクルの排他的アクティベーションによりORゲート衝突を排除します。
  論文  参考訳（メタデータ） (2026-01-10T23:56:33Z)
• SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection [0.0]
  本研究では、悪意のあるサイバー攻撃を検出し、異常なデバイス異常を識別するための機械学習駆動フレームワークを提案する。 8つの機械学習モデルが3つの学習アプローチで評価される。 このフレームワークは、データ漏洩の防止、システムダウンタイムの最小化、医療機器の継続的かつ安全な運用を保証する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-11-05T17:20:23Z)
• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
  自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。 低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-07T00:37:54Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。