論文の概要: Translating Signals to Languages for sEMG-Based Activity Recognition

• arxiv url: http://arxiv.org/abs/2605.22403v1
• Date: Thu, 21 May 2026 12:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.252912
• Title: Translating Signals to Languages for sEMG-Based Activity Recognition
• Title（参考訳）: sEMGに基づく活動認識のための言語への信号の翻訳
• Authors: Ming Wang, Haoxuan Qu, Qiuhong Ke, Wei Zhou, Hossein Rahmani, Jun Liu,
• Abstract要約: LLM-sEMG は,大規模言語モデルを sEMG アクティビティ認識器として活用する新しいフレームワークである。 本研究では,連続的なsEMG配列をsEMG言語に変換する言語指向マッピング機構を設計する。 大規模言語モデルを用いて,SEMG信号に基づく行動認識を高精度に行うことの実証実験を行った。
• 参考スコア（独自算出の注目度）: 40.3222003069986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyography (sEMG) signal-based activity recognition has attracted increasing research attention in recent years. To develop accurate sEMG signal-based activity recognizers, numerous approaches have been proposed. Some studies focus on designing larger and more expressive model architectures to enhance the representational capacity of sEMG signals, while others aim to enrich model priors through large-scale pretraining, thereby improving recognition performance. Recently, large language models (LLMs) have shown remarkable generalization and reasoning capabilities in natural language processing, whose implicit knowledge, learned from extensive linguistic descriptions of actions, opens new possibilities for interpreting sEMG signals and inferring activity intentions. Motivated by this, we propose LLM-sEMG, a novel framework that leverages LLMs as sEMG activity recognizers. Within this framework, we design a language-oriented mapping mechanism that converts continuous sEMG sequences into sEMG language, integrating several strategies to further facilitate the signal-to-language mapping process. Extensive experiments demonstrate that the proposed framework achieves highly accurate sEMG signal-based activity recognition using large language models.
• Abstract（参考訳）: 表面筋電図(sEMG)信号に基づく活動認識は近年研究の注目を集めている。 正確なsEMG信号に基づく活動認識器を開発するために,多くのアプローチが提案されている。 いくつかの研究は、SEMG信号の表現能力を高めるために、より大きくより表現力のあるモデルアーキテクチャを設計することに焦点を当てている。 近年,大規模言語モデル (LLM) は自然言語処理において顕著な一般化と推論能力を示し,その暗黙の知識は行動の言語的記述から学び,sEMG信号の解釈や活動意図の推測に新たな可能性を開く。 そこで我々は,LSM を sEMG 活性認識器として活用する新しいフレームワーク LLM-sEMG を提案する。 本フレームワークでは,連続的なsEMG配列をsEMG言語に変換する言語指向マッピング機構を設計し,信号から言語へのマッピングプロセスをさらに促進するために,いくつかの戦略を統合する。 大規模言語モデルを用いて,SEMG信号に基づく行動認識を高精度に行うことの実証実験を行った。

関連論文リスト

• Scaling Language-Centric Omnimodal Representation Learning [26.999264997449586]
  大規模言語モデル (MLLM) を利用したマルチモーダル埋め込み手法は, 比較学習 (CL) によって微調整され, 有望な結果が得られた。 この研究は、MLLMに基づくアプローチの重要な利点は、生成前訓練中に達成される暗黙の相互モーダルアライメントに起因していると主張している。 我々はLCO-Embと呼ばれる言語中心のOmnimodal Embeddingフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T17:53:52Z)
• MELLM: Exploring LLM-Powered Micro-Expression Understanding Enhanced by Subtle Motion Perception [53.00485107136624]
  マイクロ・エクスプレッション(ME)は、隠れた感情を示す、簡潔で低強度の顔の動きである。 本稿では,光学フローに基づく感度を微妙な顔の動きと統合する ME Large Language Model (MELLM) を提案する。 MELLMは複数のMEベンチマークで最先端の精度と一般化を実現する。
  論文  参考訳（メタデータ） (2025-05-11T15:08:23Z)
• Language Representations Can be What Recommenders Need: Findings and Potentials [57.90679739598295]
  先進的なLM表現から線形にマッピングされた項目表現は、より優れたレコメンデーション性能が得られることを示す。 この結果は、先進言語表現空間と効果的な項目表現空間との同型性を示唆している。 本研究は,自然言語処理とリコメンデーションシステムコミュニティの両方に刺激を与える言語モデリングと行動モデリングの関連性を強調した。
  論文  参考訳（メタデータ） (2024-07-07T17:05:24Z)
• MoE-CT: A Novel Approach For Large Language Models Training With Resistance To Catastrophic Forgetting [53.77590764277568]
  ベースモデルの学習を多言語拡張プロセスから分離する新しいMoE-CTアーキテクチャを提案する。 我々の設計では、元のLLMパラメータを凍結し、高リソース言語のパフォーマンスを保護しますが、様々な言語データセットに基づいてトレーニングされたMoEモジュールは、低リソース言語の習熟度を向上します。
  論文  参考訳（メタデータ） (2024-06-25T11:03:45Z)
• Generative linguistic representation for spoken language identification [17.9575874225144]
  本稿では,Whisperモデルからデコーダベースのネットワークを利用して言語的特徴を抽出する方法について検討する。 言語埋め込み法とLID出力の直接最適化に焦点を当てた2つの戦略を考案した。 我々は,MLS,VoxLingua107,CommonVoiceといった大規模多言語データセットを用いて,我々のアプローチをテストする実験を行った。
  論文  参考訳（メタデータ） (2023-12-18T06:40:24Z)
• From Unimodal to Multimodal: improving sEMG-Based Pattern Recognition via deep generative models [1.1477981286485912]
  マルチモーダルハンドジェスチャ認識(HGR)システムは,HGRシステムと比較して高い認識精度を実現することができる。 本稿では,仮想慣性計測ユニット(IMU)信号を用いた表面筋電図(sEMG)に基づくHGRの精度向上のための新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2023-08-08T07:15:23Z)

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。