論文の概要: Efficient and Robust Spiking Neural Networks for sEMG-Based Muscle Fatigue Detection

• arxiv url: http://arxiv.org/abs/2607.11065v1
• Date: Mon, 13 Jul 2026 04:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.326627
• Title: Efficient and Robust Spiking Neural Networks for sEMG-Based Muscle Fatigue Detection
• Title（参考訳）: sEMGに基づく筋疲労検出のための効率的かつロバストなスパイクニューラルネットワーク
• Abstract要約: スパイキングニューラルネットワーク(SNN)を用いた筋疲労検出のためのエネルギー効率のよい枠組みを提案する。 雑音条件下での計算を改善するために、複数の正規化項を組み合わせた量子化互換ロバストネストレーニングスキーム(SDH)を導入する。 結果は、低消費電力のウェアラブルシステムにおけるリアルタイムデプロイメントに対するフレームワークの強い可能性を示している。
• 参考スコア（独自算出の注目度）: 6.801129260713164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting muscle fatigue via surface electromyography (sEMG) is essential for applications in sports, rehabilitation, and wearable health monitoring. Accurate and timely detection of fatigue is crucial for preventing injuries, optimizing physical performance, and ensuring user safety during prolonged activity. However, existing deep learning models are often unsuitable for this task due to their high computational cost and dependence on large-scale data. In this work, we propose an energy-efficient framework for muscle fatigue detection based on Spiking Neural Networks (SNNs), which exploit sparse, event-driven computation and temporal modeling. We further introduce a quantization-compatible training scheme (SDH) that combines multiple regularization terms to improve robustness under noisy conditions. Evaluated on two public sEMG datasets against a broad set of baselines and under seven noise conditions including physically motivated perturbations, our quantized SNNs match or exceed strong baselines while remaining more stable under diverse noise and reducing estimated energy consumption by up to 201.77x. These results demonstrate the framework's strong potential for real-time deployment in low-power wearable systems.
• Abstract（参考訳）: 表面筋電図(sEMG)による筋肉疲労の検出は、スポーツ、リハビリテーション、ウェアラブル健康モニタリングに不可欠である。 疲労の正確かつタイムリーな検出は、怪我を予防し、身体的パフォーマンスを最適化し、長時間の活動中のユーザの安全を確保するために重要である。 しかし、既存のディープラーニングモデルは、計算コストが高く、大規模データに依存するため、このタスクには適さないことが多い。 本研究では,スパース,イベント駆動型計算,時間的モデリングを利用したスパイキングニューラルネットワーク(SNN)に基づく筋疲労検出のためのエネルギー効率のよいフレームワークを提案する。 さらに、雑音条件下での堅牢性を改善するために、複数の正規化項を組み合わせた量子化互換トレーニングスキーム(SDH)を導入する。 広義のベースラインと物理的に動機づけられた摂動を含む7つのノイズ条件に対して2つの公開sEMGデータセットを評価したところ、我々の量子化されたSNNは、様々なノイズの下でより安定であり、推定エネルギー消費量を最大201.77倍に抑えながら、強いベースラインに一致または超える。 これらの結果は、低消費電力ウェアラブルシステムにおけるリアルタイムデプロイメントに対するフレームワークの強い可能性を示している。

関連論文リスト

• Cross-subject Muscle Fatigue Detection via Adversarial and Supervised Contrastive Learning with Inception-Attention Network [6.645085456357115]
  提案したモデルは、93.54%の精度、92.69%のリコール、92.69%のF1スコアを3クラス分類タスクで達成している。 クロスオブジェクト筋肉疲労検出のための堅牢なソリューションを提供し、リハビリテーショントレーニングと援助のための重要なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-04-03T03:03:27Z)
• Estimating Human Muscular Fatigue in Dynamic Collaborative Robotic Tasks with Learning-Based Models [0.19249287163937967]
  本研究は,アームマウント表面筋電図(sEMG)を用いた動的循環型pHRIにおける疲労を推定するためのデータ駆動型フレームワークを提案する。 主観固有の機械学習回帰モデルは、3つの周波数領域と1つの時間領域EMG特徴からサイクルの疲労(FCF)を予測し、畳み込みニューラルネットワーク(CNN)に対してベンチマークする。 全体として、機能ベースのMLとスペクトログラムベースのDLの両方が繰り返しpHRI中に残される作業容量を推定できることを示した。
  論文  参考訳（メタデータ） (2026-02-17T16:08:11Z)
• Temporal-adaptive Weight Quantization for Spiking Neural Networks [40.9339917499242]
  本稿では,時間的次元に沿って超低ビット重みを適応的に割り当てるために,時間的ダイナミクスによる重み量子化を取り入れた時間的適応重み量子化(TaWQ)を提案する。 当社のTaWQは高エネルギー効率(4.12M, 0.63mJ)を維持しながら、ImageNetでは0.22%の無視可能な量子化損失しか生じない。
  論文  参考訳（メタデータ） (2025-11-14T05:08:14Z)
• Dendritic Resonate-and-Fire Neuron for Effective and Efficient Long Sequence Modeling [66.0841376808143]
  樹状共振器(RF)ニューロンは入力信号から効率的に周波数を抽出し、スパイク列車に符号化することができる。 RFニューロンは、複雑なタスクにおけるエネルギー効率とトレーニング速度のトレードオフとして、有効なメモリ容量が限られている。 本稿では,複数の共振器とソマアーキテクチャを明示的に組み込んだDdendritic Resonate-and-Fireモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T18:15:45Z)
• Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
  sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。 本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T16:07:20Z)
• Fatigue-PINN: Physics-Informed Fatigue-Driven Motion Modulation and Synthesis [2.0308338182844263]
  疲労条件下での人間の動作をモデル化するための運動合成タスクには疲労モデリングが不可欠である。 本稿では,物理インフォームドニューラルネットワークに基づくディープラーニングフレームワークであるFreep-PINNを提案する。 本研究では,三成分制御モデルのPINN適応を利用して最大関節トルクの疲労誘起変動をシミュレートする。
  論文  参考訳（メタデータ） (2025-02-26T11:14:48Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。