論文の概要: FatigueFormer: Static-Temporal Feature Fusion for Robust sEMG-Based Muscle Fatigue Recognition

• arxiv url: http://arxiv.org/abs/2603.26841v1
• Date: Fri, 27 Mar 2026 08:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.660989
• Title: FatigueFormer: Static-Temporal Feature Fusion for Robust sEMG-Based Muscle Fatigue Recognition
• Title（参考訳）: 疲労ホルダー : ロバストsEMGによる筋疲労認識のための静的時間的特徴フュージョン
• Abstract要約: 表面筋電図(sEMG)から解釈可能な筋疲労動態を学習するセミエンド・ツー・エンドのフレームワークであるFreactFormerについて述べる。 exhaustFormerは、並列トランスフォーマーベースのシーケンスエンコーダを使用して、静的および時間的特徴ダイナミクスを別々にキャプチャする。 穏やかな条件下で、最先端の精度と強力な一般化を実現する。
• 参考スコア（独自算出の注目度）: 11.736046353721447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FatigueFormer, a semi-end-to-end framework that deliberately combines saliency-guided feature separation with deep temporal modeling to learn interpretable and generalizable muscle fatigue dynamics from surface electromyography (sEMG). Unlike prior approaches that struggle to maintain robustness across varying Maximum Voluntary Contraction (MVC) levels due to signal variability and low SNR, FatigueFormer employs parallel Transformer-based sequence encoders to separately capture static and temporal feature dynamics, fusing their complementary representations to improve performance stability across low- and high-MVC conditions. Evaluated on a self-collected dataset spanning 30 participants across four MVC levels (20-80%), it achieves state-of-the-art accuracy and strong generalization under mild-fatigue conditions. Beyond performance, FatigueFormer enables attention-based visualization of fatigue dynamics, revealing how feature groups and time windows contribute differently across varying MVC levels, offering interpretable insight into fatigue progression.
• Abstract（参考訳）: 本稿では,表層筋電図(sEMG)から筋疲労動態の解釈と一般化を学習するために,半端から端までの半端から端までの特徴分離と時間的深部モデリングを意図的に組み合わせた,疲労ホルダーについて述べる。 信号のばらつきとSNRの低さにより、様々な最大自発的収縮(MVC)レベルのロバスト性を維持するのに苦労する以前のアプローチとは異なり、FreepFormerは、並列トランスフォーマーベースのシーケンスエンコーダを使用して静的および時間的特徴ダイナミクスを分離し、それらの補完表現を融合させ、低および高MVC条件におけるパフォーマンス安定性を向上させる。 4つのMVCレベル (20-80%) にまたがる30人の参加者を対象とした自己収集データセットに基づいて評価し、中途半端な条件下での最先端の精度と強力な一般化を実現する。 パフォーマンス以外にも、FreepFormerは、疲労ダイナミクスの注意に基づく可視化を可能にし、様々なMVCレベルに対して機能グループと時間ウィンドウがどのように異なる貢献をするかを明らかにし、疲労の進行について解釈可能な洞察を提供する。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Ego-Dynamics-Augmented World Model for Autonomous Driving with Zero-Shot Cross-Chassis Adaptation [49.23697454856427]
  World Model (WM)ベースの強化学習は、サンプル効率のよいエンドツーエンドの自動運転学習を可能にする。 ほとんどのWMは本質的に自我中心である鳥の目視(BEV)表現で動作する。 本研究は,動的拡張型ドリーマー型強化学習法であるDynaDreamerを提案する。
  論文  参考訳（メタデータ） (2026-07-15T03:20:53Z)
• Efficient and Robust Spiking Neural Networks for sEMG-Based Muscle Fatigue Detection [6.801129260713164]
  スパイキングニューラルネットワーク(SNN)を用いた筋疲労検出のためのエネルギー効率のよい枠組みを提案する。 雑音条件下での計算を改善するために、複数の正規化項を組み合わせた量子化互換ロバストネストレーニングスキーム(SDH)を導入する。 結果は、低消費電力のウェアラブルシステムにおけるリアルタイムデプロイメントに対するフレームワークの強い可能性を示している。
  論文  参考訳（メタデータ） (2026-07-13T04:05:13Z)
• SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
  SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。 それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-18T07:47:28Z)
• FatigueFusion: Latent Space Fusion for Fatigue-Driven Motion Synthesis [3.5195917252906272]
  本稿では,潜伏表現空間内での疲労特徴の融合のためのディープラーニングアーキテクチャであるFreepFusionを提案する。 本フレームワークはアルゴリズムおよびデータ駆動モジュールを組み込んで,不満足な動作に主観的時間的・空間的疲労特性を課す。 exhaustFusionは、不満足な関節角度シーケンスと制御パラメータを直接操作するエンドツーエンドアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2026-04-11T13:12:20Z)
• VLM-RobustBench: A Comprehensive Benchmark for Robustness of Vision-Language Models [64.56065206447788]
  ビジョン言語モデル(VLM)は、標準の高品質なデータセット上で強力なパフォーマンスを達成する。 VLM-RobustBenchはノイズ、ブラー、天気、デジタル、幾何学にまたがる49種類の拡張型にまたがるベンチマークである。 低重度空間摂動は、視覚的に重度な光度劣化よりも、しばしば性能を低下させる。
  論文  参考訳（メタデータ） (2026-03-06T10:58:02Z)
• All-in-One Video Restoration under Smoothly Evolving Unknown Weather Degradations [102.94052335735326]
  All-in-one画像復元は、単一のモデルを用いて、さまざまな未知の劣化からクリーンなイメージを復元することを目的としている。 既存のアプローチは主に、現実世界の劣化過程に自然に存在する時間的連続性を見越して、フレームワイドの劣化変動に焦点を当てている。 Smoothly Evolving Unknown Degradations (SEUD) のシナリオでは、アクティブな劣化セットと劣化強度の両方が時間とともに連続的に変化する。
  論文  参考訳（メタデータ） (2026-01-02T02:20:57Z)
• Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
  LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。 Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。 実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T08:54:26Z)
• Fatigue-PINN: Physics-Informed Fatigue-Driven Motion Modulation and Synthesis [2.0308338182844263]
  疲労条件下での人間の動作をモデル化するための運動合成タスクには疲労モデリングが不可欠である。 本稿では,物理インフォームドニューラルネットワークに基づくディープラーニングフレームワークであるFreep-PINNを提案する。 本研究では,三成分制御モデルのPINN適応を利用して最大関節トルクの疲労誘起変動をシミュレートする。
  論文  参考訳（メタデータ） (2025-02-26T11:14:48Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Vision-based Estimation of Fatigue and Engagement in Cognitive Training Sessions [9.018775341716305]
  本研究では,リアルタイムな心的疲労をモニタリングするための新しいリカレントビデオトランス (RVT) 手法を開発し,検証する。 RVTモデルは最先端のバイナリモデルと比較して高いバランスの取れた精度(78%)と精度(0.82)を達成した。
  論文  参考訳（メタデータ） (2023-04-24T21:58:14Z)
• Estimating Continuous Muscle Fatigue For Multi-Muscle Coordinated Exercise: A Pilot Study on Walking [6.7733453364081635]
  多筋協調時間運動の疲労を評価するには、複数の筋肉の適応の疲労によって引き起こされる特性を表す神経筋の特徴が必要である。 そこで本研究では,筋肉補償と脊髄モジュール活性化の特徴による疲労の描写と,生理的合理的モデルによる連続疲労の推定を提案する。
  論文  参考訳（メタデータ） (2023-03-30T02:54:59Z)

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。