論文の概要: Prototype Adaptation for Zero-Shot sEMG Movement Classification

• arxiv url: http://arxiv.org/abs/2607.25826v1
• Date: Tue, 28 Jul 2026 15:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.878728
• Title: Prototype Adaptation for Zero-Shot sEMG Movement Classification
• Title（参考訳）: ゼロショットsEMG運動分類のためのプロトタイプ適応
• Abstract要約: 表面筋電図(sEMG)は補綴物の制御を可能にし、上肢のアンプが何らかの手機能を取り戻すことを可能にする。 最近の研究は、補綴制御の基本運動の認識に焦点を当てている。 本稿では,基本動作のみを学習した後のプロトタイプネットワークにおいて,ゼロショット学習を実現する2つの新しい認識手法を提案する。
• 参考スコア（独自算出の注目度）: 4.275678149208143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyography (sEMG) enables the control of prostheses, allowing upper-limb amputees to re-gain some hand function. Most current research focuses on recognizing basic movements for prosthesis control. However, in most daily activities, such as opening a door, combined movements are essential. However, collecting training data for all possible combined movements is time-consuming and requires re-training of the model for any new combination. We propose two novel recognition approaches, Compositional Prototype Interpolation (CPI) and Synthetic Adaptation for Prototypes (SAP), that enable zero-shot learning of combined, novel and unseen movements in Prototype Networks after training only with basic movements. Our methods rest on a linear interpolation assumption in the embedding space, which we study by inspecting the geometry of combined motions in signal and embedding space. In experiments on the NearLab and NinaPro DB3 data sets as well as our newly recorded BasCom dataset, our proposed SAP outperforms prior zero-shot learning methods with accuracy improvements on combined movements of more than 20%. This advantage is maintained in online inference experiments in a user study.
• Abstract（参考訳）: 表面筋電図(sEMG)は補綴物の制御を可能にし、上肢のアンプが何らかの手機能を取り戻すことを可能にする。 最近の研究は、補綴制御の基本運動の認識に焦点を当てている。 しかし、ドアを開くなどの日常的な活動はほとんどの場合、複合的な動きが不可欠である。 しかし、組み合わせ可能なすべての動作のためのトレーニングデータ収集には時間がかかり、新しい組み合わせのモデルの再学習が必要となる。 本研究では,基本動作のみを学習した後のプロトタイプネットワークにおいて,合成型補間 (CPI) と合成型適応 (SAP) の2つの新しい認識手法を提案する。 この手法は埋め込み空間における線形補間仮定に基づいており、信号と埋め込み空間における複合運動の幾何学を検査することによって研究する。 NearLab と NinaPro DB3 データセットと新たに記録した BasCom データセットの実験では,提案した SAP はゼロショット学習手法よりも優れ,20% 以上の組み合わせ動作の精度が向上した。 この利点は、ユーザー研究におけるオンライン推論実験において維持される。

関連論文リスト

• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• One-shot Humanoid Whole-body Motion Learning [18.375746497945023]
  通常、動作カテゴリごとに複数のトレーニングサンプルを必要とする。 本研究では,1つの非歩行目標運動サンプルのみを用いて,効果的なヒューマノイド運動ポリシーを訓練する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-29T07:48:10Z)
• Recognition of Unseen Combined Motions via Convex Combination-based EMG Pattern Synthesis for Myoelectric Control [1.9662978733004604]
  本稿では,合成筋電図データを用いて協調動作を効率よく認識する手法を提案する。 実験結果から,提案手法は未確認複合動作の分類精度を約17%向上した。
  論文  参考訳（メタデータ） (2025-05-21T07:46:26Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Skeleton-based Action Recognition through Contrasting Two-Stream Spatial-Temporal Networks [11.66009967197084]
  本稿では,空間的および時間的モジュールを並列に融合するContrastive GCN-Transformer Network(ConGT)を提案する。 我々は3つのベンチマークデータセットで実験を行い、このモデルが動作認識における最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-01-27T02:12:08Z)
• Pretraining Without Attention [114.99187017618408]
  本研究では、状態空間モデル(SSM)に基づくシーケンスルーティングの最近の進歩を利用して、注意を払わずに事前学習を探索する。 BiGS は GLUE 上で BERT の事前トレーニング精度と一致し、近似なしで 4096 トークンの長期事前トレーニングに拡張できる。
  論文  参考訳（メタデータ） (2022-12-20T18:50:08Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Joint-bone Fusion Graph Convolutional Network for Semi-supervised Skeleton Action Recognition [65.78703941973183]
  本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。 具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。 自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
  論文  参考訳（メタデータ） (2022-02-08T16:03:15Z)
• 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)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。