論文の概要: Bias in Surface Electromyography Features across a Demographically Diverse Cohort

• arxiv url: http://arxiv.org/abs/2604.14460v2
• Date: Fri, 17 Apr 2026 06:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 13:38:49.3852
• Title: Bias in Surface Electromyography Features across a Demographically Diverse Cohort
• Title（参考訳）: 逆コホートによる表面筋電図特性のバイアス
• Authors: Aditi Agrawal, Celine John Philip, Giancarlo K. Sagastume, Marcus A. Battraw, Wilsaan M. Joiner, Jonathon S. Schofield, Lee M. Miller, Richard S. Whittle,
• Abstract要約: 本研究では,SEMGが生成する信号の人口差が,機械学習に基づくジェスチャーデコーディングに与える影響について検討した。 結果は、多様な集団にまたがる公平で偏見のないsEMGベースの神経インタフェースの開発を導くのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 0.02742074102366648
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neuromotor decoding from upper-limb electromyography (sEMG) can enhance human-machine interfaces and offer a more natural means of controlling prosthetic limbs, virtual reality, and household electronics. Unfortunately, current sEMG technology does not always perform consistently across users because individual differences such as age and body mass index, among many others, can substantially alter signal quality. This variability makes sEMG characteristics highly idiosyncratic, often necessitating laborious personalization and iterative tuning to achieve reliable performance. This variability has particular import for sEMG-based assistive devices and neural interfaces, where demographic biases in sEMG features could undermine broad and fair deployment. In this study, we explore how demographic differences affect the sEMG signals produced and their implications for machine learning-based gesture decoding. We analyze the data set provided by, in which we derive 147 common sEMG features extracted from 81 demographically diverse individuals performing discrete hand gestures. Using mixed-effects linear models and partial least squares (PLS) analysis, which take into consideration demographic variables (including age, sex, height, weight, skin properties, subcutaneous fat, and hair density), we identify that 33\% (49 of 147) of commonly used sEMG features show significant associations with demographic characteristics. These results may help guide the development of fair and unbiased sEMG-based neural interfaces across a diverse population.
• Abstract（参考訳）: 上肢筋電図(SEMG)からのニューロモーターデコーディングは、ヒトと機械のインターフェースを強化し、義肢、バーチャルリアリティ、家庭用電子機器を制御するより自然な手段を提供する。 残念なことに、現在のsEMG技術は、年齢や身体質量指数などの個人差が、信号品質を著しく変化させる可能性があるため、常にユーザー間で一貫して機能するとは限らない。 この可変性は、sEMGの特徴を高度に同調させ、しばしば信頼性の高いパフォーマンスを達成するために、面倒なパーソナライゼーションと反復的なチューニングを必要とする。 この可変性は、sEMGベースの補助デバイスとニューラルインターフェースに対して特にインポートされ、sEMG機能における人口統計バイアスが広範かつ公正なデプロイメントを損なう可能性がある。 本研究では,人口動態の違いが生成したsEMG信号にどのように影響するか,機械学習に基づくジェスチャーデコーディングに影響を及ぼすかを検討する。 本研究は,81の個体群から抽出された147個の共通sEMG特徴を抽出し,個別の手振りで解析した。 年齢・性別・身長・体重・皮膚特性・皮下脂肪・毛髪密度など) を考慮に入れた混合効果線形モデルとPLS分析を用いて, 一般的に使用されているsEMGの特徴の33\% (49, 147) が人口統計学的特徴と有意な相関を示した。 これらの結果は、多様な集団にまたがる公平で偏見のないsEMGベースの神経インタフェースの開発を導くのに役立つかもしれない。

関連論文リスト

• Variational Mixture of Graph Neural Experts for Alzheimer's Disease Biomarker Recognition in EEG Brain Networks [6.727599092628398]
  既存のEEGベースの手法は、フルバンド周波数解析によって制限される。 本稿では,周波数特異的バイオマーカー同定を統合したグラフニューラルネットワーク専門家(VMoGE)の変分混合を提案する。 VMoGEは、最先端のメソッドよりもAUCが+4%から+10%改善したことにより、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-13T20:37:18Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations [1.3852370777848657]
  表面筋電図(sEMG)信号はジェスチャー認識と頑健な義手発達に重要な可能性を秘めている。 本研究は、3つの異なる方向をまたいだ手の動きを評価するための新しいMFI sEMGデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-03T14:23:06Z)
• Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks [0.0]
  本研究では、Long Short-Term Memory (LSTM) ネットワークを用いて脳波信号を解析することにより、感情状態分類の予測精度を向上することを目的とする。 DEAPとして知られる多チャンネル脳波記録の一般的なデータセットを用いて、LSTMネットワークの特性を活用して、脳波信号データ内の時間的依存関係を処理する。 感情認識モデルの能力は, それぞれ89.89%, 90.33%, 90.70%, 90.54%であった。
  論文  参考訳（メタデータ） (2024-08-19T18:10:47Z)
• Topology of surface electromyogram signals: hand gesture decoding on Riemannian manifolds [0.0]
  表面筋電図(EMG)信号を用いた手動作の復号化のためのデータと手法を提案する。 EMGをベースとした上肢インタフェースは、切断者リハビリ、人工上肢増強、コンピュータのジェスチャー制御、バーチャルおよび拡張現実の応用に有用である。
  論文  参考訳（メタデータ） (2023-11-14T21:20:54Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。