論文の概要: Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation

• arxiv url: http://arxiv.org/abs/2609.09971v1
• Date: Wed, 09 Sep 2026 09:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.971204
• Title: Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation
• Title（参考訳）: ストローク後神経リハビリテーションのためのハードウェアデバイス支援のためのsEMG信号からのインテント学習のためのディープニューラルネットワーク
• Abstract要約: 指特異的運動意図は、脳卒中後の神経リハビリテーションに対する臨床的に意味のある制御シグナルである。 上肢高密度表面筋電図(sEMG)による5指マルチラベルインテントデコーディングについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finger-specific motor intent is a clinically meaningful control signal for post-stroke neurorehabilitation, where residual muscle activity may remain measurable despite weak or incomplete movement. We study five-finger multilabel intent decoding from impaired-arm high-density surface electromyography (sEMG) in PhysioMio, a bilateral longitudinal dataset collected from stroke patients. A common processing protocol aligns movement labels, applies 20--450 Hz Butterworth filtering and Symlet-4 wavelet denoising, segments overlapping 200 ms windows, and extracts twelve time- and frequency-domain descriptors per channel. Direct LSTM, CNN, and GNN baselines reveal complementary behavior: the LSTM attains the highest subset accuracy (0.545), whereas the GNN attains the highest macro F1 (0.706) and macro AUPRC (0.776). Architecture search then identifies CNN-Large as the strongest single-split CNN, with 0.593 subset accuracy and 0.714 macro F1, while CNN-Micro provides a compact architecture for embedded inference. To match a four-sensor hardware design, we retrain CNN-Micro using channels associated with ECRB, ECRL, FDS, and FDP and exclude the ground electrode from model input. Across five seeds, cross-channel knowledge distillation improves the four-channel student over direct training, reaching $0.5219 \pm 0.0114$ subset accuracy, $0.7612 \pm 0.0038$ finger accuracy, and $0.6095 \pm 0.0058$ macro F1. The selected 123K-parameter model accepts nine windows of 48 features and has been exported to ONNX. These results establish a reproducible software path from post-stroke sEMG to compact five-finger intent prediction for subsequent hardware-in-the-loop evaluation.
• Abstract（参考訳）: 指特異的運動意図(英: Finger-specific motor intent)は、筋活動が弱い、あるいは不完全であるにもかかわらず測定可能な、ストローク後の神経リハビリテーションのための臨床的に有意義な制御信号である。 脳卒中患者から収集した両側縦断的データセットであるPhyloMioにおいて、障害腕高密度表面筋電図(sEMG)からの5指多指インテントデコードについて検討した。 共通の処理プロトコルは、動作ラベルを整列させ、20-450HzのバターワースフィルタとSymlet-4ウェーブレットをデノナイズし、200msのウィンドウをオーバーラップし、チャネル毎に12の時間領域と周波数領域のディスクリプタを抽出する。 LSTMは最高サブセット精度(0.545)、GNNは最高マクロF1(0.706)、マクロAUPRC(0.776)である。 アーキテクチャ検索では、CNN-Largeが0.593のサブセット精度と0.714のマクロF1を持ち、CNN-Microは組み込み推論のためのコンパクトなアーキテクチャを提供する。 本研究では,ECRB,ECCRL,FDS,FDPに関連するチャネルを用いてCNN-Microを再学習し,地上電極をモデル入力から除外する。 5つの種にまたがって、4チャンネルの知識蒸留により、直接訓練よりも4チャンネルの学生を改良し、0.5219 \pm 0.0114$サブセットの精度、0.7612 \pm 0.0038$フィンガーの精度、0.6095 \pm 0.0058$マクロF1に達した。 選択された123Kパラメーターモデルは、48のフィーチャーの9つのウィンドウを受け入れ、ONNXに輸出された。 これらの結果は、後ストロークのsEMGから、後続のハードウェア・イン・ザ・ループ評価のためのコンパクトな5指インテント予測までの再現可能なソフトウェアパスを確立する。

関連論文リスト

• EGRL: Edge generation-guided relation-aware learning for RNA-protein interaction prediction [41.17218504310278]
  エッジ生成誘導型関係認識学習(EGRL)を提案する。 EGRLはいくつかの重要なコンポーネントを持つ新しいフレームワークである。 4つのベンチマークデータセットの総合的な評価は、EGRLが全体的なパフォーマンスを競争力で達成していることを示している。
  論文  参考訳（メタデータ） (2026-08-13T07:47:44Z)
• EEG-SpikeAgent: Agentic Closed-Loop Program Synthesis for Automated EEG Spike Detection [0.0]
  本稿では,大規模言語モデル(LLM)エージェントシステムを用いて頭皮脳波のスパイク検出のための信号処理機能を生成するクローズドループプログラム合成フレームワークであるEEG-SpikeAgentを紹介する。 イテレーション全体を通じて、EEG-SpikeAgentは、モデルパフォーマンスによって通知される候補信号の特徴と決定ルールを提案し、洗練する。
  論文  参考訳（メタデータ） (2026-07-06T00:19:41Z)
• Energy-Efficient Implementation of Spiking Recurrent Cells on FPGA [0.0]
  スパイキングニューラルネットワーク(SNN)は、スパイキングアクティビティがスパースであり、ニューロンモデルがハードウェアフレンドリーであるときに、エネルギー消費を減らすことができる。 本稿では,スパイキングリカレントセル(SRC)ニューロンを用いたSNN用FPGAアクセラレータを提案する。
  論文  参考訳（メタデータ） (2026-05-11T14:56:51Z)
• Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
  多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。 ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。 その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。 マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
  論文  参考訳（メタデータ） (2025-10-23T20:52:11Z)
• Towards General Robustness Verification of MaxPool-based Convolutional Neural Networks via Tightening Linear Approximation [51.235583545740674]
  MaxLinは、線形近似が厳密なMaxPoolベースのCNNの堅牢性検証器である。 我々は、MNIST、CIFAR-10、Tiny ImageNetデータセットでトレーニングされたLeNetやネットワークを含むオープンソースのベンチマークでMaxLinを評価した。
  論文  参考訳（メタデータ） (2024-06-02T10:33:04Z)
• High-speed Low-consumption sEMG-based Transient-state micro-Gesture Recognition [6.649481653007372]
  提案されたSNNの精度はそれぞれ83.85%と93.52%である。 この手法は、高精度、高速、低消費電力のマイクロジェスチャー認識タスクに使用できる。
  論文  参考訳（メタデータ） (2024-03-04T08:59:12Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• 4-bit Quantization of LSTM-based Speech Recognition Models [40.614677908909705]
  LSTMに基づく大規模アーキテクチャの2つのファミリにおける重みとアクティベーションの積極的低精度表現の影響について検討した。 量子化器と初期化器の適切な選択により、最小精度の損失が達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-08-27T00:59:52Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
  音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。 また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
  論文  参考訳（メタデータ） (2020-02-10T16:29:26Z)
• Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
  本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。 このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。 これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
  論文  参考訳（メタデータ） (2020-02-03T15:47:00Z)

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。