論文の概要: Decoding High-Dimensional Finger Motion from EMG Using Riemannian Features and RNNs

• arxiv url: http://arxiv.org/abs/2604.22499v1
• Date: Fri, 24 Apr 2026 12:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.452178
• Title: Decoding High-Dimensional Finger Motion from EMG Using Riemannian Features and RNNs
• Title（参考訳）: リーマン特徴とRNNを用いたEMGからの高次元指運動の復号
• Authors: Martin Colot, Cédric Simar, Guy Cheron, Ana Maria Cebolla Alvarez, Gianluca Bontempi,
• Abstract要約: 本稿では,コンシューマグレードハードウェアのみを用いた連続EMG-to-kinematicsレグレッションのためのエンドツーエンドフレームワークを提案する。 このフレームワークは、8チャンネルのEMGアームバンドと1つのウェブカメラと自動同期処理を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 1.1534313664323634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous estimation of high-dimensional finger kinematics from forearm surface electromyography (EMG) could enable natural control for hand prostheses, AR/XR interfaces, and teleoperation. However, the complexity of human hand gestures and the entanglement of forearm muscles make accurate recognition intrinsically challenging. Existing approaches typically reduce task complexity by relying on classification-based machine learning, limiting the controllable degrees of freedom and compromising on natural interaction. We present an end-to-end framework for continuous EMG-to-kinematics regression using only consumer-grade hardware. The framework combines an 8-channel EMG armband, a single webcam, and an automatic synchronization procedure, enabling the collection of the EMG Finger-Kinematics dataset (EMG-FK), a 10-h dataset of synchronized EMG and 15 finger joint angles from 20 participants performing rich, unconstrained right-hand motions. We also introduce the Temporal Riemannian Regressor (TRR), a lightweight GRU-based model that uses sequences of multi-band Riemannian covariance features to decode finger motion. Across EMG-FK and the public emg2pose benchmark, TRR outperforms state-of-the-art methods in both intra- and cross-subject evaluation. On EMG-FK, it reaches an average absolute error of $9.79 °\pm 1.48$ in intra-subject and $16.71 °\pm 3.97$ in cross-subject. Finally, we demonstrate real-time deployment on a Raspberry Pi 5 and intuitive control of a robotic hand; TRR runs at nearly 10 predictions/s and is roughly an order of magnitude faster than state-of-the-art approaches. Together, these contributions lower the barrier to reproducible, real-time EMG-based decoding of high-dimensional finger motion, and pave the way toward more natural and intuitive control of embedded EMG-based systems.
• Abstract（参考訳）: 前腕表面筋電図(EMG)による高次元指キネマティクスの連続的評価により,手技,AR/XRインターフェース,遠隔操作の自然な制御が可能となった。 しかし、手の動きの複雑さや前腕筋の絡み合いは、本質的に正確な認識を困難にしている。 既存のアプローチは一般的に、分類ベースの機械学習に頼ることでタスクの複雑さを減らし、コントロール可能な自由度を制限し、自然な相互作用に妥協する。 本稿では,コンシューマグレードハードウェアのみを用いた連続EMG-to-kinematicsレグレッションのためのエンドツーエンドフレームワークを提案する。 このフレームワークは、8チャンネルのEMGアームバンド、単一のウェブカメラ、自動同期手順を組み合わせて、EMGフィンガー・キネマティクスデータセット(EMG-FK)、同期EMGの10時間データセット、20人の参加者による15本の指関節角度の収集を可能にする。 また,マルチバンドリーマン共分散特徴の列を用いて指の動きをデコードする軽量GRUモデルであるテンポラルリーマン回帰器(TRR)を導入する。 EMG-FK と public emg2pose ベンチマーク全体において、TRR は、内部およびクロスオブジェクト評価において最先端の手法より優れている。 EMG-FKでは、平均絶対誤差9.79 °\pm 1.48$、クロスオブジェクト16.71 °\pm 3.97$に達する。 最後に、Raspberry Pi 5のリアルタイム展開とロボットハンドの直感的な制御を実演します。 これらの貢献により、再現可能なリアルタイムEMGベースの高次元指の動きの復号化への障壁が低くなり、組込みEMGベースのシステムのより自然で直感的な制御への道が開かれた。

関連論文リスト

• Sense Less, Infer More: Agentic Multimodal Transformers for Edge Medical Intelligence [11.75125432258758]
  適応型マルチモーダルインテリジェンス(AMI:Adaptive Multimodal Intelligence)は、いつ、どのように推論するかを共同で学習するエンドツーエンドフレームワークである。 AMIは,(1)Gumbel-Sigmoid Gatingを用いてモデル信頼性とタスク関連性に基づいて動的にアクティブなセンサを選択できる軽量なエージェントモードコントローラ,(2)時間的に冗長なサンプルをスキップするための学習可能なしきい値を持つパッチワイズデルタシグマ演算を適用可能な学習Sigma-Delta Sensingモジュール,(3)非モーダルファウンデーションエンコーダと時間的コンテキストを持つクロスモーダルトランスフォーマーをベースとしたファンデーションベースのマルチモーダル予測モデル,の3つのコンポーネントを統合した。
  論文  参考訳（メタデータ） (2026-04-12T01:46:38Z)
• MI-DETR: A Strong Baseline for Moving Infrared Small Target Detection with Bio-Inspired Motion Integration [63.87179575890912]
  我々は、赤外線小ターゲット検出のためのバイオインスパイアされたデュアルパス検出装置であるモーション統合DETR(MI-DETR)を提案する。 まず、網膜にインスパイアされたセルオートマトン(RCA)は、生フレーム配列を外観画像と同じピクセルグリッド上に定義されたモーションマップに変換する。 第二に、PMI(Parvocellular-Magnocellular Interconnection)ブロックは2つの経路間の双方向の特徴的相互作用を促進する。
  論文  参考訳（メタデータ） (2026-03-05T11:39:31Z)
• PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
  PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。 PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。 7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T17:57:37Z)
• emg2tendon: From sEMG Signals to Tendon Control in Musculoskeletal Hands [5.613626927694011]
  腱駆動のロボットハンドは、操作タスクに非平行なデキスタリティを提供する。 しかし,このようなシステムに対する学習制御方針は,独特な課題を呈している。 ロボットハンドのための大規模なEMG-to-Tendon Controlデータセットについて紹介する。
  論文  参考訳（メタデータ） (2025-07-29T12:49:57Z)
• ManiGaussian++: General Robotic Bimanual Manipulation with Hierarchical Gaussian World Model [52.02220087880269]
  本稿では,階層的世界モデルを用いてマルチタスクシーンのダイナミックスを消化することにより,双方向操作を改善するManiGaussianフレームワークの拡張を提案する。 提案手法は,シミュレーションタスク10件で20.2%,実世界の課題9件で平均60%の成功率で,最先端のバイマニュアル操作技術よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-24T17:59:06Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• Online Adaptation for Myographic Control of Natural Dexterous Hand and Finger Movements [0.6741087029030101]
  この研究は、補綴制御システムから得られる信頼性、応答性、運動の複雑さの観点から、筋電図復号における最先端の状態を再定義する。
  論文  参考訳（メタデータ） (2024-12-23T21:20:32Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• A Multi-label Classification Approach to Increase Expressivity of EMG-based Gesture Recognition [4.701158597171363]
  本研究の目的は,表面筋電図に基づくジェスチャー認識システム(SEMG)の表現性を効率的に向上することである。 動作を2つのバイオメカニカルな独立したコンポーネントに分割する問題変換アプローチを用いる。
  論文  参考訳（メタデータ） (2023-09-13T20:21:41Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)

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。