論文の概要: MyoSem: Aligning Electromyography to Natural-Language Action Semantics for Hand Action Understanding

• arxiv url: http://arxiv.org/abs/2606.00174v1
• Date: Fri, 29 May 2026 13:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.089355
• Title: MyoSem: Aligning Electromyography to Natural-Language Action Semantics for Hand Action Understanding
• Title（参考訳）: 筋電図と自然言語行動セマンティックスによる手動作理解
• Abstract要約: MyoSemは、EMG-アクションセマンティックアライメントフレームワークである。 低レベルのEMG信号を多視点アクション記述から構築された共有意味空間にマッピングする。 MyoSem は EMG-text bidirectional search でよく機能する。
• 参考スコア（独自算出の注目度）: 7.224741714065012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electromyography (EMG) directly reflects muscle activation and is a key sensing modality for gesture recognition, prosthetic control, and wearable interaction. Existing EMG methods, however, commonly formulate hand action understanding as classification over fixed labels, making it difficult to support querying, retrieval, and generalization based on action descriptions. We present MyoSem, an EMG--action semantic alignment framework that maps low-level EMG signals into a shared semantic space constructed from multi-view action descriptions. MyoSem combines multi-view action-semantic construction, activation-aware EMG encoding, and semantic query alignment, enabling bidirectional retrieval between EMG signals and text descriptions. We systematically evaluate MyoSem on EMG2Pose and NinaPro-series datasets. Results show that MyoSem performs well on EMG--text bidirectional retrieval, generally outperforms most baselines, and shows favorable generalization to unseen users, held-out action classes, and amputee-user transfer scenarios. Ablations and visualizations further validate the effectiveness of each module. Overall, MyoSem advances EMG-based hand action understanding from fixed-label recognition toward queryable bidirectional semantic retrieval, providing a new modeling paradigm for language-mediated EMG action understanding.
• Abstract（参考訳）: 筋電図 (EMG) は筋活動を直接反映し, ジェスチャー認識, 補綴制御, ウェアラブルインタラクションにおいて重要な感覚モダリティである。 しかし、既存のEMG法では、手動作理解を固定ラベルの分類として定式化しており、動作記述に基づくクエリ、検索、一般化を支援することは困難である。 低レベルのEMG信号を多視点アクション記述から構築した共有意味空間にマッピングするEMG-アクションセマンティックアライメントフレームワークであるMyoSemを提案する。 myoSemは多視点アクションセマンティック構成、アクティベーション対応EMGエンコーディング、セマンティッククエリアライメントを組み合わせることで、EMG信号とテキスト記述間の双方向検索を可能にする。 EMG2PoseとNinaPro-Seriesのデータセットを用いてMyoSemを体系的に評価した。 その結果,MyoSemは筋電図による双方向検索に優れており,概してほとんどのベースラインを上回り,目に見えないユーザ,ホールドアウトアクションクラス,アンプ・ユーザ・トランスファーシナリオに好適な一般化を示した。 アブレーションと視覚化は各モジュールの有効性をさらに検証する。 全体として、MyoSemは、固定ラベル認識からクエリ可能な双方向セマンティック検索へとEMGに基づく手動動作理解を前進させ、言語によるEMG動作理解のための新しいモデリングパラダイムを提供する。

関連論文リスト

• MiA-Signature: Approximating Global Activation for Long-Context Understanding [48.9604042895266]
  我々は、クエリによって誘導されるグローバルなアクティベーションパターンの圧縮表現である textbfMindscape Activation Signature (MiA-Signature) の概念を導入する。 結果として得られるMiA-Signatureは、計算可能でありながらフルアクティベーション状態の効果を近似する条件信号として機能する。
  論文  参考訳（メタデータ） (2026-05-07T15:25:02Z)
• Learning Generalizable Action Representations via Pre-training AEMG [1.3478288753277627]
  EMGのための大規模な自己教師型表現学習フレームワークであるAny Electromyography (AEMG)を提案する。 AEMGは神経筋のダイナミックスを言語的に再認識し、新しい神経筋収縮トケナイザー(NCT)を用いて、離散的な筋肉収縮を構造的単語に変換する。 AEMGは、最先端の6つのベースラインと比較して、ゼロショット・ワン・オブジェクトアウト(LOSO)の精度を5.79-9.25%向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-05T07:50:00Z)
• RefAtomNet++: Advancing Referring Atomic Video Action Recognition using Semantic Retrieval based Multi-Trajectory Mamba [86.47790050206306]
  RefAVA++は290万フレームと75.1kの注釈付き人で構成される。 RefAtomNet++は、多階層的なセマンティックアラインなクロスアテンションメカニズムを通じて、クロスモーダルトークンアグリゲーションを前進させる。 実験によると、RefAtomNet++は新しい最先端の結果を確立している。
  論文  参考訳（メタデータ） (2025-10-18T10:41:19Z)
• Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
  AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
  論文  参考訳（メタデータ） (2025-10-11T14:09:24Z)
• ELASTIQ: EEG-Language Alignment with Semantic Task Instruction and Querying [29.301155351226765]
  本稿では,セマンティックタスク命令とクエリによるEEG-Language Alignmentの基礎モデルであるELASTIQを提案する。 ELASTIQは、タスク認識のセマンティックガイダンスを統合し、構造化され言語的に整合したEEG埋め込みを生成する。 運動画像,感情認識,定常的視覚誘発電位,隠蔽音声,医療タスクを対象とする20のデータセット上でELASTIQを評価した。
  論文  参考訳（メタデータ） (2025-09-29T05:29:12Z)
• Beyond Label Semantics: Language-Guided Action Anatomy for Few-shot Action Recognition [18.31622383234006]
  Few-shot Action Recognition (FSAR)は、ビデオ内の人間のアクションを分類することを目的としており、カテゴリごとにラベル付けされた少数のサンプルのみである。 ラベルセマンティクスを超えた新しいフレームワークであるLGA(Language-Guided Action Anatomy)を提案する。 テキストでは、既製のLCMにラベルをアトミックな動作記述のシーケンスに解剖するよう促す。 ビデオの場合、Visual Anatomy Moduleはアクションをアトミックビデオフェーズにセグメントし、アクションのシーケンシャルな構造をキャプチャする。
  論文  参考訳（メタデータ） (2025-07-22T07:16:25Z)
• MASA: Motion-aware Masked Autoencoder with Semantic Alignment for Sign Language Recognition [94.56755080185732]
  本研究では,リッチモーションキューとグローバルセマンティック情報を統合したセマンティックアライメント(MASA)を用いたMotion-Awareマスク付きオートエンコーダを提案する。 我々のフレームワークは,包括的手話表現のための局所的な動きの手がかりとグローバルな意味的特徴を同時に学習することができる。
  論文  参考訳（メタデータ） (2024-05-31T08:06:05Z)
• Modality-Agnostic Self-Supervised Learning with Meta-Learned Masked Auto-Encoder [61.7834263332332]
  我々はMasked Auto-Encoder (MAE) を統一されたモダリティに依存しないSSLフレームワークとして開発する。 メタラーニングは,MAEをモダリティに依存しない学習者として解釈する鍵として論じる。 本実験は,Modality-Agnostic SSLベンチマークにおけるMetaMAEの優位性を示す。
  論文  参考訳（メタデータ） (2023-10-25T03:03:34Z)
• LACMA: Language-Aligning Contrastive Learning with Meta-Actions for Embodied Instruction Following [142.25438780561603]
  本稿では,メタアクションの概念を導入し,言語命令とエージェントのアクション空間間の意味的ギャップを埋める。 強力なマルチモーダルトランスフォーマーベースラインと比較して、目に見えない環境での絶対的な成功率は4.5%に達する。
  論文  参考訳（メタデータ） (2023-10-18T21:43:07Z)
• Multi-Semantic Fusion Model for Generalized Zero-Shot Skeleton-Based Action Recognition [32.291333054680855]
  一般化ゼロショットスケルトンに基づく行動認識(GZSSAR)は、コンピュータビジョンコミュニティにおいて新たな課題である。 GZSSARの性能向上のためのマルチセマンティック・フュージョン(MSF)モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-18T09:00:25Z)
• Progressive Semantic-Visual Mutual Adaption for Generalized Zero-Shot Learning [74.48337375174297]
  一般化ゼロショット学習(GZSL)は、目に見えない領域から移行した知識によって、見えないカテゴリを特定する。 プロトタイプと視覚特徴の対応性を段階的にモデル化するために,デュアルセマンティック・ビジュアル・トランスフォーマーモジュール(DSVTM)をデプロイする。 DSVTMは、インスタンス中心のプロトタイプを学習して異なる画像に適応させる、インスタンス駆動セマンティックエンコーダを考案した。
  論文  参考訳（メタデータ） (2023-03-27T15:21:43Z)
• Segmentation and Classification of EMG Time-Series During Reach-to-Grasp Motion [10.388787606334745]
  動的アーム/ハンド姿勢の変動を伴う連続把握動作から発生するEMG信号を分類するためのフレームワークを提案する。 提案されたフレームワークはリアルタイムに評価され、時間とともに精度が変化した。
  論文  参考訳（メタデータ） (2021-04-19T20:41:06Z)

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。