論文の概要: Conservative Subject Invariant EMG-based Gesture Recognition

• arxiv url: http://arxiv.org/abs/2607.03783v1
• Date: Sat, 04 Jul 2026 09:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.713968
• Title: Conservative Subject Invariant EMG-based Gesture Recognition
• Title（参考訳）: EMGに基づく義歯の保存的対象不変性認識
• Abstract要約: クロスオブジェクト一般化は表面筋電図に基づくジェスチャー認識における課題である。 主観不変なsEMGジェスチャー認識のための保守的多目的学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.3586882207603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-subject generalization remains a fundamental challenge in surface electromyography (sEMG)-based gesture recognition. Although deep learning methods have improved within-subject performance, they often rely on subject-specific data and struggle to balance invariance and discriminability. In this work, we propose a conservative multi-objective learning framework for subject-invariant sEMG gesture recognition. The proposed model adopts a multi-head architecture that jointly optimizes gesture classification, adversarial subject confusion through gradient reversal, and triplet-based metric learning to encourage discriminative and subject-invariant representations. To improve optimization stability, a Lipschitz-inspired adaptive weighting mechanism is introduced to dynamically balance the auxiliary objectives according to their relative magnitudes during training. The proposed method is evaluated on two benchmark datasets: UCI EMG (36 subjects, 6 gestures) and NinaPro DB5 (10 subjects, 10 gestures). On the UCI EMG dataset, the method achieves 84.48\% accuracy compared to 78.2\% reported by state-of-the-art methods. On NinaPro DB5, it achieves 61.44\% accuracy versus 41.30\%, corresponding to a 49\% relative improvement. In addition, the proposed framework reduces cross-subject prediction variance and produces more structured latent representations. These results indicate that jointly enforcing invariance and discriminability through adaptive multi-objective optimization leads to more stable training and improved cross-subject generalization in sEMG-based gesture recognition systems.
• Abstract（参考訳）: クロスオブジェクト一般化は、表面筋電図(sEMG)に基づくジェスチャー認識において、依然として根本的な課題である。 深層学習法はオブジェクト内性能を向上しているが、しばしば主観的なデータに頼り、不変性と差別性のバランスをとるのに苦労する。 本研究では、主観不変なsEMGジェスチャー認識のための保守的多目的学習フレームワークを提案する。 提案モデルでは, ジェスチャー分類, 斜め反転による対向的対象混乱, および三重項に基づく計量学習を併用して, 識別的, 被写体不変表現を促進させるマルチヘッドアーキテクチャを採用している。 最適化安定性を改善するため、リプシッツにインスパイアされた適応重み付け機構を導入し、トレーニング中の相対的な大きさに応じて補助目標を動的にバランスさせる。 提案手法は, UCI EMG (36の被験者, 6のジェスチャー) とNinaPro DB5 (10の被験者, 10のジェスチャー) の2つのベンチマークデータセットを用いて評価した。 UCI EMGデータセットでは、最先端の手法で報告された78.2\%と比較して84.48\%の精度を達成する。 NinaPro DB5 では 61.44\% の精度を 41.30\% に対して達成し、49\% の相対的な改善に対応する。 さらに,提案フレームワークは,物体間予測のばらつきを低減し,より構造化された潜在表現を生成する。 これらの結果から,適応的多目的最適化による非分散性と識別性の向上が,sEMGに基づくジェスチャー認識システムにおいて,より安定した学習とクロスオブジェクト一般化をもたらすことが示唆された。

関連論文リスト

• MSCGC-KAN: Multi-scale Causal Graph Convolution and Kolmogorov-Arnold Feature Mapping for EEG Emotion Recognition [4.244312032484765]
  本稿では,MSCGC-KANと呼ばれる感情認識手法を提案する。 MSCGC-KANはマルチスケール因果グラフ畳み込みとKolmogorov-Arnold特徴写像からなる構造化タスクヘッドである。 提案手法はFACEDおよびSEED-VIIデータセット上で60.66%のバランス精度と60.40%の重み付きF1スコアを実現する。
  論文  参考訳（メタデータ） (2026-05-26T07:02:13Z)
• Cross-Subject EEG Emotion Recognition Based on Temporal Asynchronous Alignment Contrastive Learning [15.406609103511956]
  本稿では,脳波に基づく感情認識のための時間的非同期アライメントに基づくコントラシブラーニング(TA2CL)フレームワークを提案する。 従来のグローバルな「ハードアライメント」類似性計算手法を、きめ細かい局所マッチング機構に変換する。 実験の結果,提案手法は複数の公開データセットに対して高い性能を示すことがわかった。
  論文  参考訳（メタデータ） (2026-05-21T12:09:42Z)
• Exploring Structural Degradation in Dense Representations for Self-supervised Learning [84.52554180480037]
  自己教師付き学習(SSL)における直感的な現象を観察する。 我々は、この現象を自己教師付きDense Degradation(SDD)と呼び、16の最先端SSLメソッドに一貫した存在を示す。 本稿では,クラス関連尺度と有効次元尺度からなるDense Expression Structure Estimator (DSE)を紹介する。
  論文  参考訳（メタデータ） (2025-10-20T08:40:16Z)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• Binarization-Aware Adjuster: Bridging Continuous Optimization and Binary Inference in Edge Detection [0.0]
  画像エッジ検出(ED)は、トレーニングと推論の根本的なミスマッチに直面します。 本稿では,バイナリ化アウェア (BAA) を設計するための理論的手法を提案する。 BAAは二項化の挙動を勾配に基づく最適化に明示的に組み入れている。
  論文  参考訳（メタデータ） (2025-06-14T11:56:44Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• ELSPR: Evaluator LLM Training Data Self-Purification on Non-Transitive Preferences via Tournament Graph Reconstruction [25.85736569130897]
  大規模言語モデル(LLM)のペアワイズ評価は、オープンエンドタスクのベンチマークにおいて支配的なパラダイムとなっている。 この重要な問題は、本質的に曖昧な選好ペアを含む低品質データに起因していることを示す。 トーナメントグラフとしてペアの選好をモデル化する,原則付きグラフ理論フレームワークであるESSPRを提案する。
  論文  参考訳（メタデータ） (2025-05-23T10:00:03Z)
• Subject Representation Learning from EEG using Graph Convolutional Variational Autoencoders [20.364067310176054]
  GC-VASEはグラフ畳み込みに基づく変分オートエンコーダであり、脳波データからの主観的表現学習にコントラスト学習を利用する。 本手法は,主観的識別に適した分割ラテント空間アーキテクチャを用いて,頑健な主観的潜在表現をうまく学習する。
  論文  参考訳（メタデータ） (2025-01-13T17:29:31Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
  視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。 提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。 暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T08:42:41Z)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)

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。