論文の概要: GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation

• arxiv url: http://arxiv.org/abs/2604.25670v1
• Date: Tue, 28 Apr 2026 14:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.892061
• Title: GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation
• Title（参考訳）: Few-Shot Adaptationを用いたIMU-EMG推定用EGLU変換器
• Authors: Miroljub Mihailovic, Luca Tonin, Stefano Tortora, Emanuele Menegatti,
• Abstract要約: ウェアラブル慣性測定から連続筋活性化エンベロープを再構築する適応型IMU-to-EMG学習フレームワークを提案する。 結果は、注意に基づくアーキテクチャと軽量適応を併用して、直接EMGセンシングに代わる実用的でスケーラブルな代替品としてサポートしている。
• 参考スコア（独自算出の注目度）: 3.2245472558257315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable estimation of neuromuscular activation is a key enabler for adaptive and personalized control in wearable robotics. However, surface electromyography (EMG) remains difficult to deploy robustly outside laboratory settings due to electrode sensitivity, signal non-stationarity, and strong subject dependence. In this work, we propose an adaptive IMU-to-EMG learning framework that reconstructs continuous muscle activation envelopes from wearable inertial measurements across heterogeneous movement conditions. The approach combines a Transformer encoder with Gaussian Error Gated Linear Units (GEGLU-Transformer) to enhance cross-subject generalization and enable rapid subject-specific personalization. Under a strict leave-one-subject-out (LOSO) protocol on a multi-condition lower-limb biomechanics dataset, the proposed architecture achieves r = 0.706 +/- 0.139 and R^2 = 0.474 +/- 0.208 without subject-specific adaptation. With only 0.5% adaptation data, performance increases to r = 0.761 +/- 0.030 and R^2 = 0.559 +/- 0.047, demonstrating rapid adaptation and early performance saturation. These results support attention-based architectures combined with lightweight adaptation as a practical and scalable alternative to direct EMG sensing for real-world wearable robotic applications.
• Abstract（参考訳）: ウェアラブルロボティクスにおける適応的かつパーソナライズされた制御の鍵となるのは、神経筋活性化の信頼性評価である。 しかし, 表面筋電図(EMG)は, 電極感度, 信号非定常性, 強い被検体依存性により, 実験室外への堅牢な展開が困難である。 本研究では,不均一な運動条件下でのウェアラブル慣性測定から連続的な筋活性化包絡を再構築する適応型IMU-to-EMG学習フレームワークを提案する。 このアプローチはトランスフォーマーエンコーダとガウス誤差ゲート付き線形ユニット(GEGLU-Transformer)を組み合わせて、クロスオブジェクトの一般化を強化し、素早い主題固有のパーソナライズを可能にする。 マルチ条件下肢バイオメカニクスデータセット上での厳密なLOSOプロトコルの下で,提案アーキテクチャはr = 0.706 +/- 0.139,R^2 = 0.474 +/- 0.208 を達成する。 0.5%の適応データで、r = 0.761 +/- 0.030 となり、R^2 = 0.559 +/- 0.047 となる。 これらの結果は、現実のウェアラブルロボットアプリケーションのための直接EMGセンシングに代わる実用的でスケーラブルな代替品として、軽量適応と組み合わせたアテンションベースのアーキテクチャをサポートする。

関連論文リスト

• Decoding High-Dimensional Finger Motion from EMG Using Riemannian Features and RNNs [1.1534313664323634]
  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。
  論文  参考訳（メタデータ） (2026-04-24T12:27:33Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Time2Vec Transformer for Robust Gesture Recognition from Low-Density sEMG [1.231764991565978]
  本稿では筋電義手制御のための新しい,データ効率の高いディープラーニングフレームワークを提案する。 提案手法は, スパース2チャネル表面筋電図(sEMG)に最適化されたハイブリッドトランスフォーマーの実装である。 提案するフレームワークは, 迅速なパーソナライズが可能な次世代人工装具の堅牢で費用対効果の高い青写真を提供する。
  論文  参考訳（メタデータ） (2026-02-02T09:28:27Z)
• Scaling and Distilling Transformer Models for sEMG [45.62920901482346]
  表面筋電図(sEMG)信号は、革新的なヒューマン・コンピュータ・インタフェースを開発する上で有望な道を提供する。 デプロイメント中のトレーニングデータと計算制約の制限は、sEMGタスクを解決するためのモデルサイズのスケールアップに関する調査を制限している。 我々は,バニラトランスモデルをsEMGデータ上で効果的にスケールアップし,ユーザ間性能を最大110Mパラメータに向上できることを実証した。
  論文  参考訳（メタデータ） (2025-07-29T13:41:59Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• BRAVE: Brain-Controlled Prosthetic Arm with Voice Integration and Embodied Learning for Enhanced Mobility [5.528262076322921]
  BRAVEは、ハイブリッド脳波と音声制御義肢システムである。 脳波駆動運動の意図を解釈することを目的としており、残筋活動に依存することなく運動制御を可能にする。 システムはリアルタイムで動作し、応答遅延は150msである。
  論文  参考訳（メタデータ） (2025-05-23T11:44:33Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• 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)

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。