論文の概要: Unsupervised clustering and classification of upper limb EMG signals during functional movements: a data-driven
- arxiv url: http://arxiv.org/abs/2605.20599v1
- Date: Wed, 20 May 2026 01:23:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.425207
- Title: Unsupervised clustering and classification of upper limb EMG signals during functional movements: a data-driven
- Title（参考訳）: 機能的動作における上肢筋電図信号の教師なしクラスタリングと分類:データ駆動
- Authors: L. F. Salazar Álvarez, D. Escobar-Saltarén, M. B. Salazar Sánchez, S. C. Henao-Aguirre,
- Abstract要約: 本研究では,上肢表面筋電図(SEMG)信号の群集化と分類について,機能的リーチと把持動作における包括的アプローチを提案する。
信号前処理、フェースチャ抽出、階層クラスタリングによるジェスチャー選択、比較モデル評価を含む4段階のパイプラインが設計された。
この結果は筋電義歯の適応的低レイテンシ制御戦略の実装を支援し、将来のリアルタイムアプリケーションのためのスケーラブルなパイプラインを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents a comprehensive approach for the clustering and classification of upper-limb surface electromyography (sEMG) signals during functional reach and grasp movements. The methodology was applied to the NINAPRO DB4 dataset, which provides multichannel EMG recordings of 52 gestures. A four-stage pipeline was designed, including signal preprocessing, fea-ture extraction, gesture selection via hierarchical clustering, and comparative model evaluation. Preprocessing involved a fourth-order low-pass filter (0.6 Hz) and Hilbert envelope transformation, effectively reducing noise and enhancing signal clarity. Feature extraction yielded 26 temporal and frequency-domain met-rics, which were later refined using visual analysis, mutual information, principal component analysis, and decision tree importance scores. A final subset of five key features was selected for classification tasks. Gesture selection was per-formed through hierarchical clustering using Mahalanobis distance, resulting in six representative movements that balanced biomechanical diversity and compu-tational efficiency. A 200 ms window was identified as optimal for temporal seg-mentation based on stability and physiological plausibility. Classifier models were evaluated in two stages. Automated comparison using PyCaret identified Extra Trees (ET) and Artificial Neural Networks (ANN) as top performers. Sub-sequent independent training confirmed their stability and generalization capac-ity, with ANN showing progressive learning and ET maintaining robust, con-sistent results. The findings support the implementation of adaptive, low-latency control strategies for myoelectric prostheses and provide a scalable pipeline for future real-time applications.
- Abstract（参考訳）: 本研究では,上肢表面筋電図 (SEMG) 信号の群集化と分類について,機能的リーチおよび把持動作における包括的アプローチを提案する。
この手法はNINAPRO DB4データセットに適用され、52のジェスチャーのマルチチャネルEMG記録を提供する。
信号前処理、フェースチャ抽出、階層クラスタリングによるジェスチャー選択、比較モデル評価を含む4段階のパイプラインが設計された。
前処理には4階目の低域通過フィルタ(0.6Hz)とヒルベルトのエンベロープ変換が含まれ、ノイズを効果的に低減し信号の明瞭さを高める。
特徴抽出は26の時間領域と周波数領域のメットリックを抽出し, 視覚解析, 相互情報, 主成分分析, 決定木の重要性スコアを用いて改良した。
5つの重要な特徴の最終的なサブセットが分類タスクに選択された。
マハラノビス距離を用いて階層的クラスタリングを行い, 生体力学的多様性とコンプチューション効率のバランスをとる6つの代表的な運動が得られた。
安定性と生理的妥当性に基づいて,200msの窓を時間的セグメンテーションに最適と同定した。
分類は2段階に分けて評価した。
PyCaretによる自動比較では、エクストラツリー(ET)とニューラルニューラルネットワーク(ANN)がトップパフォーマーとして特定されている。
その後の独立トレーニングでは、安定性と一般化能力が確認され、ANNは進歩的学習を示し、ETは頑健で一貫性のある結果を維持した。
この結果は筋電義歯の適応的低レイテンシ制御戦略の実装を支援し、将来のリアルタイムアプリケーションのためのスケーラブルなパイプラインを提供する。
関連論文リスト
- STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification [3.30265216867318]
STDA-Netは、スペクトログラムに基づく特徴抽出のための畳み込みニューラルネットワーク(CNN)、時間モデリングのためのaBiLSTMモジュール、ソース・ツー・ターゲット特徴アライメントのためのドメイン・逆ニューラルネットワーク(DANN)を組み合わせたフレームワークである。
その結果,提案フレームワークの平均精度は89.03%,マクロF1スコアは87.64%であった。
論文 参考訳（メタデータ） (2026-05-07T13:10:00Z) - Enhancing Robustness of Asynchronous EEG-Based Movement Prediction using Classifier Ensembles [2.2940141855172036]
ストロークは障害の主要な原因の1つである。
患者の移動意図を検知して、ロボット装置の補助をトリガーする必要がある。
論文 参考訳（メタデータ） (2026-01-07T14:23:55Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。
提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
論文 参考訳（メタデータ） (2025-04-04T07:11:12Z) - PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。
PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-06T16:20:25Z) - TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。
TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。
また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文 参考訳（メタデータ） (2024-05-27T05:45:51Z) - A Multi-channel EEG Data Analysis for Poor Neuro-prognostication in
Comatose Patients with Self and Cross-channel Attention Mechanism [1.9288445804756893]
両極性脳波 (EEG) 記録の予測可能性について検討した。
ハイブリッドなディープラーニングアプローチを用いた振り返り設計を用いて、高い特異性を目的とした目的関数を最適化する。
論文 参考訳（メタデータ） (2023-09-24T13:13:29Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Motor Imagery Classification based on CNN-GRU Network with
Spatio-Temporal Feature Representation [22.488536453952964]
近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。
脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。
脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
論文 参考訳（メタデータ） (2021-07-15T01:05:38Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z)
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。