論文の概要: Cross-subject Muscle Fatigue Detection via Adversarial and Supervised Contrastive Learning with Inception-Attention Network

• arxiv url: http://arxiv.org/abs/2604.02670v1
• Date: Fri, 03 Apr 2026 03:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.296691
• Title: Cross-subject Muscle Fatigue Detection via Adversarial and Supervised Contrastive Learning with Inception-Attention Network
• Title（参考訳）: インセプション・アテンション・ネットワークを用いた対向学習と教師付きコントラスト学習によるクロスオブジェクト筋疲労検出
• Authors: Zitao Lin, Chang Zhu, Wei Meng,
• Abstract要約: 提案したモデルは、93.54%の精度、92.69%のリコール、92.69%のF1スコアを3クラス分類タスクで達成している。 クロスオブジェクト筋肉疲労検出のための堅牢なソリューションを提供し、リハビリテーショントレーニングと援助のための重要なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 6.645085456357115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Muscle fatigue detection plays an important role in physical rehabilitation. Previous researches have demonstrated that sEMG offers superior sensitivity in detecting muscle fatigue compared to other biological signals. However, features extracted from sEMG may vary during dynamic contractions and across different subjects, which causes unstability in fatigue detection. To address these challenges, this research proposes a novel neural network comprising an Inception-attention module as a feature extractor, a fatigue classifier and a domain classifier equipped with a gradient reversal layer. The integrated domain classifier encourages the network to learn subject-invariant common fatigue features while minimizing subject-specific features. Furthermore, a supervised contrastive loss function is also employed to enhance the generalization capability of the model. Experimental results demonstrate that the proposed model achieved outstanding performance in three-class classification tasks, reaching 93.54% accuracy, 92.69% recall and 92.69% F1-score, providing a robust solution for cross-subject muscle fatigue detection, offering significant guidance for rehabilitation training and assistance.
• Abstract（参考訳）: 筋疲労検出は身体リハビリテーションにおいて重要な役割を担っている。 これまでの研究では、sEMGは他の生物学的信号と比べて筋肉の疲労を検出する感度が優れていることが示されている。 しかし、sEMGから抽出された特徴は、動的収縮および異なる被験者間で異なるため、疲労検出の不安定性を引き起こす可能性がある。 これらの課題に対処するために,インセプション・アテンション・モジュールを特徴抽出器として,疲労分類器と勾配反転層を備えた領域分類器を備える新しいニューラルネットワークを提案する。 統合されたドメイン分類器は、被写体固有の特徴を最小化しながら、被写体不変の共通疲労特徴を学習するようネットワークに促す。 さらに、モデルの一般化能力を高めるために、教師付きコントラスト損失関数も用いられる。 実験の結果,提案モデルは3クラス分類作業において優れた性能を示し,93.54%の精度,92.69%のリコール,92.69%のF1スコアを達成し,クロスオブジェクト筋疲労検出のための堅牢なソリューションを提供し,リハビリテーショントレーニングと援助のための重要なガイダンスを提供することができた。

関連論文リスト

• Estimating Human Muscular Fatigue in Dynamic Collaborative Robotic Tasks with Learning-Based Models [0.19249287163937967]
  本研究は,アームマウント表面筋電図(sEMG)を用いた動的循環型pHRIにおける疲労を推定するためのデータ駆動型フレームワークを提案する。 主観固有の機械学習回帰モデルは、3つの周波数領域と1つの時間領域EMG特徴からサイクルの疲労(FCF)を予測し、畳み込みニューラルネットワーク(CNN)に対してベンチマークする。 全体として、機能ベースのMLとスペクトログラムベースのDLの両方が繰り返しpHRI中に残される作業容量を推定できることを示した。
  論文  参考訳（メタデータ） (2026-02-17T16:08:11Z)
• Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
  脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:54:16Z)
• Generalizable automated ischaemic stroke lesion segmentation with vision transformers [0.7400397057238803]
  拡散強調画像(DWI)は虚血性脳梗塞において最も高い発現率を示す。 したがって、現在のU-Netベースのモデルは、不適切な評価指標によってアクセント付けられる問題として、性能が劣っている。 本稿ではこれらの課題に対処する高性能なDWI病変分割ツールを提案する。
  論文  参考訳（メタデータ） (2025-02-10T19:00:00Z)
• MR-GDINO: Efficient Open-World Continual Object Detection [58.066277387205325]
  本稿では,従来型,新しい,目に見えないカテゴリに一般化するために,検出器を必要とするオープンワールド連続物体検出タスクを提案する。 本稿では,検出能力を評価するためのOW-CODベンチマークを提案する。 そこで我々は,記憶と検索機構を通じて,強力な,効率的でスケーラブルなベースラインであるMR-GDINOを提案する。
  論文  参考訳（メタデータ） (2024-12-20T15:22:51Z)
• PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics [48.683457383784145]
  r: (i) 生理領域, (ii) ディープフェイクス領域, (iii) プレゼンテーション攻撃領域に基づく提示攻撃検出のための3つのアプローチ その結果、プレゼンテーションアタックドメインを生理的およびディープフェイクスドメインと比較すると、平均分類誤り率(ACER)が21.70%減少していることがわかった。 実験では、r-ベースモデルにおける伝達学習の効率を強調し、この生理的特徴のコピーを許さない機器での提示攻撃検出をうまく行う。
  論文  参考訳（メタデータ） (2023-10-03T15:24:15Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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)
• Variational Autoencoder Learns Better Feature Representations for EEG-based Obesity Classification [0.8399688944263843]
  肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。 肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-01T22:48:45Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。