論文の概要: KinEMbed: Decoding Kinematics from Electromyography via Cross-Modal Contrastive Learning

• arxiv url: http://arxiv.org/abs/2607.04820v1
• Date: Mon, 06 Jul 2026 08:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.092475
• Title: KinEMbed: Decoding Kinematics from Electromyography via Cross-Modal Contrastive Learning
• Title（参考訳）: KinEMbed: クロスモーダルコントラスト学習による筋電図からのキネマティクスのデコード
• Authors: Sofia Gilardini, Chenfei Ma, Kianoush Nazarpour,
• Abstract要約: 表面筋電図(EMG)から手キネマティクスを復号することは、ウェアラブル生体信号処理における中核的な課題である。 ハンドキネマティクスレグレッションのためのクロスモーダルコントラスト学習フレームワークKinEMbedを提案する。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding hand kinematics from surface electromyography (EMG) is a core challenge in wearable biosignal processing with clinical relevance for prosthetic control and motor rehabilitation. Most representation learning approaches for EMG focus on discrete gesture classification, and few focus on continuous regression. We present KinEMbed, a cross-modal contrastive learning framework for hand kinematics regression that jointly trains dual encoders -- one for windowed EMG features and one for kinematic (joint angle) targets. The resulting embeddings inherit the geometric structure of the kinematic space without requiring kinematic signals at inference time. Evaluating on the NinaPro DB8 dataset that includes both able-bodied users and subjects with limb difference (N=11), KinEMbed outperforms PCA, PLS, autoencoder and contrastive (CEBRA) baselines on held-out sessions, with largest gains on the most challenging thumb degrees of articulation. We position this work as a first step toward contrastive representation learning for regression of hand kinematics from structured wearable biosignals.
• Abstract（参考訳）: 表面筋電図(EMG)から手指キネマティクスをデコードすることは、補綴治療と運動回復のための臨床応用によるウェアラブル生体信号処理における中核的課題である。 EMGのほとんどの表現学習アプローチは、離散的なジェスチャー分類に重点を置いており、連続回帰にはほとんど焦点を当てていない。 KinEMbedは手動レグレッションのためのクロスモーダル・コントラスト学習フレームワークで、デュアルエンコーダを共同で訓練する。 結果として得られる埋め込みは、推論時にキネマティック信号を必要とすることなく、キネマティック空間の幾何学的構造を継承する。 NinaPro DB8データセットは、有能なユーザと手足差(N=11)の両方を含む。KinEMbedはPCA、PSS、オートエンコーダ、コントラスト(CEBRA)ベースラインよりも優れており、最も難しい調音の親指度が最も高い。 我々は,この研究を,構造化ウェアラブルバイオシグナーから手キネマティクスの回帰のためのコントラスト表現学習に向けた第一歩として位置付ける。

関連論文リスト

• Biomechanics-aware Multi-view Markerless Motion Capture of Dexterous Hand Movements [2.0004822581380775]
  マーカーレスモーションキャプチャ(MMC)技術は、人間の運動の生体力学的解析において広く有用である。 本研究の目的は,手の動きを追尾するループ内の生体力学的モデルを用いた生体力学的再構成法の性能を評価することである。
  論文  参考訳（メタデータ） (2026-07-02T22:14:59Z)
• Zero-Shot EEG-to-Gait Decoding via Phase-Aware Representation Learning [9.49131859415923]
  ドメイン一般化型脳波-モーションデコーディングフレームワークであるNeuroDyGaitを提案する。 構造化されたコントラスト表現学習とリレーショナルドメインモデリングを使用して、脳波とモーション埋め込みのセマンティックアライメントを実現する。 ベンチマークデータセットのクロスオブジェクト歩行復号における適応や優れた性能を必要とせずに、見えない個人に対するゼロショットモーション予測を実現する。
  論文  参考訳（メタデータ） (2025-06-24T06:03:49Z)
• GAITEX: Human motion dataset of impaired gait and rehabilitation exercises using inertial and optical sensors [0.769672852567215]
  本研究は, 理学療法と歩行関連運動のマルチモーダルデータセットについて述べる。 9つのIMUと68のマーカーからの全体キネマティクスを追跡するデータを含んでいる。 データセットには、運動品質評価とタイムスタンプ付きセグメンテーションが完全にアノテートされている。
  論文  参考訳（メタデータ） (2025-06-06T08:08:18Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• A Multi-label Classification Approach to Increase Expressivity of EMG-based Gesture Recognition [4.701158597171363]
  本研究の目的は,表面筋電図に基づくジェスチャー認識システム(SEMG)の表現性を効率的に向上することである。 動作を2つのバイオメカニカルな独立したコンポーネントに分割する問題変換アプローチを用いる。
  論文  参考訳（メタデータ） (2023-09-13T20:21:41Z)
• Leaping Into Memories: Space-Time Deep Feature Synthesis [93.10032043225362]
  内部モデルから映像を合成するアーキテクチャ非依存の手法であるLEAPSを提案する。 我々は,Kineetics-400に基づく多種多様なアーキテクチャの進化的注目を反転させることにより,LEAPSの適用性を定量的かつ定性的に評価する。
  論文  参考訳（メタデータ） (2023-03-17T12:55:22Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)

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。