論文の概要: SoftPINCH: EMG-Driven Soft Exoskeleton Assistance for Finger Flexion and Grasping

• arxiv url: http://arxiv.org/abs/2606.04776v1
• Date: Wed, 03 Jun 2026 11:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.727207
• Title: SoftPINCH: EMG-Driven Soft Exoskeleton Assistance for Finger Flexion and Grasping
• Title（参考訳）: SoftPINCH: 指屈曲とグラッピングのためのEMG駆動型ソフトエクソスケルトンアシスト
• Authors: Nicklas Nikolaj Grønvall, Magnus Malthe Sigsgaard Nielsen, Xiaofeng Xiong, Saravana Prashanth Murali Babu,
• Abstract要約: SoftPINCHは、指の親指屈曲とピンチグリップアシストのための、EMG駆動のソフトウェアラブルエクソスケルトンである。 このシステムは、腱駆動のソフトな外骨格、指先磁気接触センサー、および意図に基づく支援のための神経EMGデコーディングを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.6299766708197881
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Surface electromyography (sEMG) provides a non-invasive interface for detecting hand-movement intention and controlling wearable assistive devices. However, reliable EMG-driven hand assistance remains challenging because EMG signals are affected by noise, motion artifacts, electrode placement, muscle fatigue, and inter-subject variability. At the same time, many hand exoskeletons remain mechanically restrictive or bulky, limiting comfort and natural hand motion. This work presents SoftPINCH, an EMG-driven soft wearable exoskeleton for thumb-index finger flexion and pinch grasp assistance. The system combines a tendon-driven soft exoskeleton, fingertip magnetic contact sensing, and neural EMG decoding for intention-based assistance. Surface EMG was recorded from forearm muscles during index and thumb movements, and three subject-independent decoding architectures were evaluated: LSTM, CNN+LSTM, and CNN+LSTM with attention. The CNN+LSTM and CNN+LSTM-attention models both achieved 99.4% LOSO test accuracy, outperforming the standalone LSTM, which reached 97.8%. However, the attention mechanism did not provide a significant improvement over CNN+LSTM, indicating that CNN-based feature extraction was sufficient for robust EMG representation. The CNN+LSTM model was therefore selected for real-time deployment due to its high accuracy and lower architectural complexity. Functional evaluation showed that active exoskeleton assistance reduced muscular effort during isolated finger flexion and object grasping. During weighted grasping, assistance reduced muscular effort across all tested loads, with a 92.6% reduction at the highest load. These results demonstrate the potential of SoftPINCH for intuitive, low-effort pinch assistance using real-time EMG-driven soft robotic control.
• Abstract（参考訳）: 表面筋電図(sEMG)は、手の動きの意図を検出し、ウェアラブル補助装置を制御する非侵襲的なインタフェースを提供する。 しかし、筋電図信号はノイズ、モーションアーティファクト、電極配置、筋疲労、物体間変動の影響を受けており、信頼性の高い筋電図による手指支援は依然として困難である。 同時に、多くの手外骨格は機械的に制限されるか、またはかさばるままであり、快適さと自然な手の動きを制限している。 この研究は、指の親指屈曲とピンチグリップ支援のためのEMG駆動のソフトウェアラブルエクソ骨格であるSoftPINCHを提示する。 このシステムは、腱駆動のソフトな外骨格、指先磁気接触センサー、および意図に基づく支援のための神経EMGデコーディングを組み合わせる。 前腕筋と親指運動で表面筋電図が記録され, LSTM, CNN+LSTM, CNN+LSTMの3つの対象非依存デコードアーキテクチャが注目された。 CNN+LSTMとCNN+LSTMのアテンションモデルはどちらも99.4%のLOSOテスト精度を達成し、スタンドアローンLSTMの97.8%を上回った。 しかし、注意機構はCNN+LSTMよりも顕著な改善を示さず、CNNに基づく特徴抽出が堅牢なEMG表現に十分であることを示した。 そのため、CNN+LSTMモデルは、高い精度とより低いアーキテクチャの複雑さのため、リアルタイムデプロイメントのために選択された。 機能評価の結果, 活動性外骨格補助は, 摘出指屈曲および物体握り時の筋力の低下を示唆した。 重み付けの把握中、援助は全ての試験された負荷に対して筋肉の労力を減らし、最高負荷時の92.6%を減らした。 これらの結果は、リアルタイムEMG駆動型ソフトロボット制御を用いた、直感的で低効率なピンチ支援のためのSoftPINCHの可能性を示している。

関連論文リスト

• A Tendon-Driven Wrist Abduction-Adduction Joint Improves Performance of a 5 DoF Upper Limb Exoskeleton -- Implementation and Experimental Evaluation [30.34483352421617]
  上肢外骨格(ULE)のリハビリテーションにおける手首アブダクション・アダクション(Ab-Ad)関節補助の機能的影響に関する限定的な実験的証拠がある。 本研究は,5自由度 (DoF) ULE, EXOTIC2 exoskeleton におけるアクティブ手首Ab-Ad関節の実装効果について検討した。
  論文  参考訳（メタデータ） (2026-04-21T14:17:12Z)
• Characterizing the onset and offset of motor imagery during passive arm movements induced by an upper-body exoskeleton [2.940700063130023]
  本研究の目的は、外骨格による受動腕の動きにおける運動画像の開始とオフセットを特徴付けることである。 10名の被験者が、ロボットに装着しながら、右腕の審美運動画像(MI)を実行するために募集され、同時にゴール指向の到達タスクの開始と終了を示すLEDが装着された。 提案手法は,外骨格装着によって誘発される騒音や受動腕の動きにかかわらず,被験者が高品質で信頼性の高い感覚運動リズムを生成できることを示した。
  論文  参考訳（メタデータ） (2026-03-21T17:21:15Z)
• NeuroCanvas: VLLM-Powered Robust Seizure Detection by Reformulating Multichannel EEG as Image [35.12570738980016]
  脳波(EEG)の高精度かつタイムリーな発作検出のための新しい枠組みを提案する。 NeuroCanvasは2つのモジュールから構成される: (i) Entropy-guided Channel Selector (ECS)は、大きな言語モデル(LLM)に入力される発作関連チャネルを選択する。 我々は,複数の発作検出データセットにまたがるNeuroCanvasを評価し,F1スコアの20%,レイテンシの88%を大幅に改善した。
  論文  参考訳（メタデータ） (2026-02-04T17:06:38Z)
• Perceive and Calibrate: Analyzing and Enhancing Robustness of Medical Multi-Modal Large Language Models [43.46006663176283]
  本研究は,種々の摂動が医療MLLMに与える影響を系統的に分析する。 視覚的モダリティのために,MLLMの視覚エンコーダを利用してノイズパターンを識別する摂動認識デノナイジング(PDC)を提案する。 そこで本研究では,MLLMの自己評価機能を活用し,ノイズの多いテキストを精査するセルフ・インスタンス・マルチエージェント・システム(SMS)を設計する。
  論文  参考訳（メタデータ） (2025-12-26T10:23:30Z)
• Modeling Eye Gaze Velocity Trajectories using GANs with Spectral Loss for Enhanced Fidelity [38.972340249998126]
  本研究では、LSTMおよびCNNジェネレータを用いたGANフレームワークを導入し、高忠実な合成視線速度軌道を生成する。 スペクトル正則化の導入は、眼球運動のスペクトル特性を再現するGANの能力を著しく向上させる。
  論文  参考訳（メタデータ） (2024-12-05T14:23:40Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• MC-QDSNN: Quantized Deep evolutionary SNN with Multi-Dendritic Compartment Neurons for Stress Detection using Physiological Signals [1.474723404975345]
  本研究では,時系列データの効率的な処理の代替手段として,MCLeaky(Multi-Compartment Leaky)ニューロンを提案する。 提案したMCLeakyニューロンに基づくスパイキングニューラルネットワークモデルとその量子化モデルは、最先端(SOTA)スパイキングLSTMに対してベンチマークされた。 その結果、MCLeaky活性化ニューロンを持つネットワークは、98.8%の精度でストレスを検出することができた。
  論文  参考訳（メタデータ） (2024-10-07T12:48:03Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• 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)

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。