論文の概要: EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching

• arxiv url: http://arxiv.org/abs/2604.13685v1
• Date: Wed, 15 Apr 2026 10:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.478536
• Title: EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching
• Title（参考訳）: EMGFlow:フローマッチングによるロバストで効率的な表面筋電図合成
• Authors: Boxuan Jiang, Chenyun Dai, Can Han,
• Abstract要約: 深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。
• 参考スコア（独自算出の注目度）: 3.4728825864079877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based surface electromyography (sEMG) gesture recognition is frequently bottlenecked by data scarcity and limited subject diversity. While synthetic data generation via Generative Adversarial Networks (GANs) and diffusion models has emerged as a promising augmentation strategy, these approaches often face challenges regarding training stability or inference efficiency. To bridge this gap, we propose EMGFlow, a conditional sEMG generation framework. To the best of our knowledge, this is the first study to investigate the application of Flow Matching (FM) and continuous-time generative modeling in the sEMG domain. To validate EMGFlow across three benchmark sEMG datasets, we employ a unified evaluation protocol integrating feature-based fidelity, distributional geometry, and downstream utility. Extensive evaluations show that EMGFlow outperforms conventional augmentation and GAN baselines, and provides stronger standalone utility than the diffusion baselines considered here under the train-on-synthetic test-on-real (TSTR) protocol. Furthermore, by optimizing generation dynamics through advanced numerical solvers and targeted time sampling, EMGFlow achieves improved quality-efficiency trade-offs. Taken together, these results suggest that Flow Matching is a promising and efficient paradigm for addressing data bottlenecks in myoelectric control systems. Our code is available at: https://github.com/Open-EXG/EMGFlow.
• Abstract（参考訳）: 深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 GAN(Generative Adversarial Networks)と拡散モデルによる合成データ生成は、有望な拡張戦略として現れてきたが、これらのアプローチは、トレーニングの安定性や推論効率に関する課題に直面することが多い。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。 3つのベンチマークsEMGデータセットのEMGFlowを検証するために,特徴ベースの忠実度,分布幾何学,下流ユーティリティを統合した統一評価プロトコルを用いる。 EMGFlowは従来の拡張およびGANベースラインよりも優れており、TSTR(Train-on-synthetic test-on-real)プロトコルの下で考慮された拡散ベースラインよりも強力なスタンドアロンユーティリティを提供する。 さらに、高度な数値解法と目標時間サンプリングによる生成ダイナミクスの最適化により、改良された品質効率トレードオフを実現する。 これらの結果から,フローマッチングは筋電制御システムにおけるデータのボトルネックに対処するための,有望かつ効率的なパラダイムであることが示唆された。 私たちのコードは、https://github.com/Open-EXG/EMGFlow.comで利用可能です。

関連論文リスト

• Learning Efficient Meshflow and Optical Flow from Event Cameras [89.06553762828521]
  イベントベースのメッシュフロー推定は、イベントカメラから空間的に滑らかなスパース運動場を予測する新しいタスクである。 本稿では,特殊なエンコーダ・デコーダアーキテクチャを備えた軽量モデルである,イベントベースのMeshFlowネットワークを提案する。 我々は、最近の最先端フロー法と比較して、EEMFlowモデルの異常な性能と実行効率(30倍高速)を示す包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-05T09:30:59Z)
• FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator [0.0]
  合成心電図生成は、プライバシ保護データ共有とトレーニングデータセット拡張を必要とする医療AIアプリケーションを提供する。 現在の拡散法は、高い世代品質を実現するが、サンプリング中に数百のニューラルネットワーク評価を必要とする。 本研究では,SSSD-ECGアーキテクチャに適応するフローマッチング手法であるフローECGを提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:19:22Z)
• Single Domain Generalization with Model-aware Parametric Batch-wise Mixup [22.709796153794507]
  単一ドメインの一般化は、マシンラーニングの分野において、依然として深刻な課題である。 本稿では,モデル認識型パラメトリックバッチ・ワイド・ミックスアップ(Parametric Batch-wise Mixup)と呼ばれる新しいデータ拡張手法を提案する。 機能間相関を利用することで、パラメータ化されたミックスアップジェネレータは、複数のインスタンスにまたがる機能の組み合わせにおいて、さらなる汎用性を導入する。
  論文  参考訳（メタデータ） (2025-02-22T03:45:18Z)
• Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。 GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。 その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。 本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• GFlowCausal: Generative Flow Networks for Causal Discovery [27.51595081346858]
  本稿では,GFlowCausalと呼ばれる観測データからDAG(Directed Acyclic Graph)を学習するための新しい手法を提案する。 GFlowCausalは、事前定義された報酬に比例した確率を持つシーケンシャルアクションによって、ハイリワードDAGを生成するための最良のポリシーを学ぶことを目的としている。 合成データセットと実データセットの両方について広範な実験を行い、提案手法が優れていることを示すとともに、大規模環境での良好な性能を示す。
  論文  参考訳（メタデータ） (2022-10-15T04:07:39Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)

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。