論文の概要: Why Personalization Matters: Cross-Subject Challenges in EMG-IMU-based HRI Activity Recognition

• arxiv url: http://arxiv.org/abs/2608.21620v1
• Date: Fri, 21 Aug 2026 20:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.33159
• Title: Why Personalization Matters: Cross-Subject Challenges in EMG-IMU-based HRI Activity Recognition
• Title（参考訳）: パーソナライズが重要な理由:EMG-IMUに基づくHRI活動認識における横断的課題
• Abstract要約: 本稿では,ヒューマン・ロボット・インタラクション(HRI)をオブジェクト・ハンドオーバやアセンブリ・ライクなシナリオで支援するためのウェアラブル・ベースの人間活動認識とジェスチャーについて検討する。 筋電図(EMG)と慣性計測器(IMU)の信号は,Myoアームバンドを用いて収集した。
• 参考スコア（独自算出の注目度）: 0.23453441553817042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates wearable-based recognition of human activities and gestures to support Human-Robot Interaction (HRI) in object-handover and assembly-like scenarios. Electromyography (EMG) and Inertial Measurement Unit (IMU) signals were collected using a Myo armband, culminating in a novel dataset introduced as MAGIC-HRI (Multimodal Activity, Gesture and Intention Collection) with a large taxonomy of 53 movement classes, including Brazilian Sign Language (LIBRAS) numbers (0-9), hand gestures, object/tool handover actions (pick up/give/hold), tool-manipulation tasks, and generic assembly/idle motions, collected from 11 participants with 10 samples per class (530 samples per participant). Signals are segmented by detecting muscle activation via an EMG energy envelope, then processed using sliding windows; time- and frequency-domain features are extracted. Multiple classical classifiers are tuned via cross-validated grid search, with Random Forest as the strongest baseline. A Leave-One-Subject-Out (LOSO) protocol reveals a large generalization gap, indicating substantial subject dependence. A personalized adaptation experiment suggests that injecting a small number of samples from a new user can markedly improve recognition. Overall, the study contributes a broad, HRI-driven multimodal dataset, a rigorous evaluation emphasizing generalization, and practical evidence that personalization is likely required for robust deployment in practical HRI.
• Abstract（参考訳）: 本稿では,ヒューマン・ロボット・インタラクション(HRI)をオブジェクト・ハンドオーバやアセンブリ・ライクなシナリオで支援するためのウェアラブル・ベースの人間活動認識とジェスチャーについて検討する。 MRIC-HRI(Multimodal Activity, Gesture and Intention Collection)と呼ばれる,ブラジル手話(LIBRAS)番号 (0-9),手ジェスチャー,オブジェクト/ツールハンドオーバ動作 (pick up/give/hold),ツール操作タスク,ジェネリックアセンブリ/アイドル動作 (ジェネリックアセンブリ/アイドル動作) を含む53の運動クラスの大きな分類基準を持つ新しいデータセットを用いて,Myoアームバンドを用いて筋電図(EMG)および慣性計測ユニット(IMU)信号を収集した。 EMGエネルギエンベロープを介して筋肉の活性化を検出して信号のセグメンテーションを行い、スライディングウインドウを用いて処理し、時間領域と周波数領域の特徴を抽出する。 複数の古典的分類器はクロスバリデードグリッドサーチによって調整され、ランダムフォレストが最強のベースラインとなっている。 LOSO(Leave-One-Subject-Out)プロトコルは、大きな一般化ギャップを明らかにし、かなりの対象依存性を示す。 パーソナライズされた適応実験は、新しいユーザから少数のサンプルを注入することで、認識を著しく向上させることができることを示唆している。 全体として、この研究は、広範かつHRI駆動のマルチモーダルデータセット、一般化を強調する厳密な評価、そして実用的HRIのロバストな展開にパーソナライズが不可欠であるという実践的証拠に寄与している。

関連論文リスト

• HARMES: A Multi-Modal Dataset for Wearable Human Activity Recognition with Motion, Environmental Sensing and Sound [22.090898322586824]
  この研究は、3つの手首記録されたモダリティを組み合わせたマルチモーダルウェアラブルデータセットであるHARMESを導入している。 HarMESは80時間以上の記録データを収集し、参加者1人あたり約3時間のラベル付き活動データを収集する。 私たちの知る限りでは、HARMESはこのセンサートリオを組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2026-05-04T13:47:41Z)
• Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition [71.5328300638085]
  Zero-shot Human-Object Interaction (HOI) は、画像中の人間と物体を特定し、その相互作用を認識することを目的としている。 2段階法を含む既存の手法は、特定の検出器との相互作用認識を密に結合する。 本稿では、オブジェクト検出をIRから分離し、マルチモーダル大言語モデル(MLLM)をゼロショットIRに活用する分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T19:01:31Z)
• A Comparative Study of EMG- and IMU-based Gesture Recognition at the Wrist and Forearm [3.990794855710089]
  IMU信号は、静的ジェスチャー認識のための唯一の入力センサとして機能する十分な情報を含んでいる。 IMUが捉えた腱誘起微小運動は静的ジェスチャー認識に大きく貢献する。
  論文  参考訳（メタデータ） (2025-12-08T19:36:10Z)
• Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
  ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。 我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。 以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-07-17T18:47:46Z)
• VR Based Emotion Recognition Using Deep Multimodal Fusion With Biosignals Across Multiple Anatomical Domains [3.303674512749726]
  本稿では,Squeeze-and-Excitation(SE)ブロックと組み合わせた,新しいマルチスケールアテンションベースのLSTMアーキテクチャを提案する。 提案したアーキテクチャは,ユーザスタディで検証され,評価値と覚醒レベルを分類する上で,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-03T08:59:12Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations [1.3852370777848657]
  表面筋電図(sEMG)信号はジェスチャー認識と頑健な義手発達に重要な可能性を秘めている。 本研究は、3つの異なる方向をまたいだ手の動きを評価するための新しいMFI sEMGデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-03T14:23:06Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• cGAN-Based High Dimensional IMU Sensor Data Generation for Enhanced Human Activity Recognition in Therapeutic Activities [0.0]
  TheraGANと呼ばれる新しいGANネットワークは、リハビリテーション活動に関連するIMU信号を生成するために開発された。 生成された信号は実際の信号と密に模倣され、生成されたデータが追加され、テストされた全てのネットワークの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-02-16T00:08:28Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Detecting Human-Object Interaction via Fabricated Compositional Learning [106.37536031160282]
  ヒューマンオブジェクトインタラクション(HOI)検出は、高レベルのシーン理解のための基本的なタスクです。 人間は珍しいまたは見えないHOIのサンプルを認識する非常に強力な構成知覚能力があります。 オープン長尾HOI検出の課題を解決するために,FCL(Fabricated Compositional Learning)を提案する。
  論文  参考訳（メタデータ） (2021-03-15T08:52:56Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。