Fugu-MT 論文翻訳(概要): A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals

論文の概要: A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals

arxiv url: http://arxiv.org/abs/2607.07850v1
Date: Wed, 08 Jul 2026 18:29:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.318336
Title: A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals
Title（参考訳）: sEMG信号に基づくリアルタイムジェスチャー認識のためのグラフニューラルネットワークモデル
Abstract要約: 我々は,グラフニューラルネットワークを用いたリアルタイム手振り認識が可能な機械学習アルゴリズムを開発した。提案手法は,最先端技術を上回る平均分類精度99%を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For seemless control of advanced hand prostheses and augmented reality, accurate and immediate hand gestures recognition is essential. Surface electromyography (sEMG) signals obtained from the forearm are commonly employed for this purpose. In this paper, we present a novel approach for sEMG representation that utilizes graph networks which contain information about muscle activation patterns in the forearm. Based on these graph networks, we have developed a machine learning algorithm capable of real-time hand gesture recognition using a graph neural network. The algorithm's performance was evaluated using sEMG signals acquired from myoband, which has 8 electrodes placed around the forearm, involving 8 healthy subjects. The proposed method demonstrated an average classification accuracy of 99\%, surpassing the performance of state-of-the-art techniques. The average time for both graph construction and prediction stood at 48ms utilizing a M1 pro CPU, rendering the approach well-suited for real-time applications.
Abstract（参考訳）: 先進的な手指義手と拡張現実の無作為な制御のためには、正確かつ即時的な手指ジェスチャー認識が不可欠である。前腕から得られる表面筋電図(sEMG)信号は一般的にこの目的で用いられる。本稿では,前腕の筋活動パターンに関する情報を含むグラフネットワークを利用した,sEMG表現の新しいアプローチを提案する。これらのグラフネットワークに基づいて,グラフニューラルネットワークを用いたリアルタイム手振り認識が可能な機械学習アルゴリズムを開発した。健常者8名を対象に,前腕に8個の電極を配置した筋帯からのsEMG信号を用いて,アルゴリズムの性能評価を行った。提案手法は, 最先端技術の性能を上回り, 99 %の平均分類精度を実証した。グラフ構築と予測の両方の平均時間は48msでM1プロCPUを使用しており、アプローチはリアルタイムアプリケーションに適している。

関連論文リスト

Machine Learning-based sEMG Signal Classification for Hand Gesture Recognition [3.9440964696313485]
筋電図(EMG)信号を用いて手の動きを解析・分類する。本稿では,新しい特徴抽出手法を用いてEMGに基づく手動作認識の性能をベンチマークすることを目的とする。
論文参考訳（メタデータ） (2024-11-23T21:29:51Z)
LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
論文参考訳（メタデータ） (2024-10-13T12:57:08Z)
An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals [2.632402517354116]
我々は,Ninapro DB2上の300ms信号ウィンドウ上での閉形式時間特徴学習にFIN(Feature-imitating Network)を適用することを提案する。 LSTM-FINネットワークは,特徴再構成において最大99%のR2精度,手の動き認識において80%の精度を達成できることがわかった。
論文参考訳（メタデータ） (2024-05-23T21:45:15Z)
EMGTFNet: Fuzzy Vision Transformer to decode Upperlimb sEMG signals for Hand Gestures Recognition [0.1611401281366893]
本稿では,手動ジェスチャー認識を行うために,EMGTFNetと呼ばれるファジィニューラルブロック(FNB)を用いた視覚変換器(ViT)アーキテクチャを提案する。提案モデルの精度は49種類の手ジェスチャーからなるNinaProデータベースを用いて検証した。
論文参考訳（メタデータ） (2023-09-23T18:55:26Z)
Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文参考訳（メタデータ） (2023-05-12T17:24:02Z)
DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文参考訳（メタデータ） (2022-09-27T16:32:11Z)
Hand Gesture Recognition Using Temporal Convolutions and Attention Mechanism [16.399230849853915]
本稿では,この計算負担を軽減するため,時間的畳み込みに基づくハンドジェスチャ認識アーキテクチャ(TC-HGR)を提案する。表面筋電図(SEMG)信号による手指動作の分類には,注意機構と時間的畳み込みを応用した。提案手法は,それぞれ300ms,200msのウィンドウサイズに対して81.65%,80.72%の分類精度が得られた。
論文参考訳（メタデータ） (2021-10-17T04:23:59Z)
Heterogeneous Hand Guise Classification Based on Surface Electromyographic Signals Using Multichannel Convolutional Neural Network [0.0]
機械学習の分野での最近の進歩は、EMG信号を使って機械に人間の動作の複雑な特性を教えることができる。現代の機械は、多数の人間の活動を検出し、それらの活動によって生成されたEMG信号のみに基づいて区別することができる。本研究では,電力領域に現れる特性によって表面EMG信号を解釈する多チャンネル畳み込みニューラルネットワーク(CNN)を用いた新しい分類法について述べる。
論文参考訳（メタデータ） (2021-01-17T17:02:04Z)
Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文参考訳（メタデータ） (2020-11-11T09:57:49Z)
Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文参考訳（メタデータ） (2020-10-23T08:01:55Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。