論文の概要: EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding

• arxiv url: http://arxiv.org/abs/2609.25582v1
• Date: Tue, 22 Sep 2026 02:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.180057
• Title: EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding
• Title（参考訳）: EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding
• Abstract要約: 本稿では,EMGデータセットを事前学習するための自己教師型フレームワークEMGBlendを紹介する。 共有チャネルパッチとジオメトリ対応のアテンションを組み合わせることで、各レコードがサポートする周波数帯域にスペクトルターゲットを制限し、データソース間の露出をバランスさせる。 ジェスチャー認識,連続力回帰,接触分類で評価した。
• 参考スコア（独自算出の注目度）: 11.953698746967879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public surface electromyography (EMG) datasets vary widely in electrode layout, channel count, frequency support, and size. Simply mixing them for pretraining can misalign channel semantics, introduce spectral targets that some devices cannot observe, and let large or high-channel-count datasets dominate learning. We introduce EMGBlend, a self-supervised framework designed around these differences. It combines shared channel patches with geometry-aware attention, restricts spectral targets to each recording's supported frequency band, and balances exposure across data sources. We pretrain a 109M-parameter model on 11 public EMG sources and evaluate it on gesture recognition, continuous-force regression, and contact classification. EMGBlend consistently outperforms matched random initialization and waveform reconstruction controls. Fixed-budget source controls show that multi-source pretraining improves gesture recognition and remains competitive for force decoding. Ablations confirm that geometry, band-aware targets, and source balancing each contribute to transfer, although cross-person NinaPro force estimation remains difficult. Overall, EMGBlend shows how heterogeneous EMG datasets can be combined through explicit mechanism design rather than simple concatenation. Code is available at https://github.com/tamanano/EMGBlend
• Abstract（参考訳）: パブリックサーフェス・エレクトロミオグラフィー(EMG)データセットは、電極配置、チャネル数、周波数サポート、サイズによって大きく異なる。 事前トレーニングのためにそれらを混在させることで、チャネルセマンティクスを誤って修正し、一部のデバイスでは観測できないスペクトルターゲットを導入し、大規模またはハイチャネル数のデータセットが学習を支配します。 EMGBlendは,これらの相違点に着目した自己教師型フレームワークである。 共有チャネルパッチとジオメトリ対応のアテンションを組み合わせることで、各レコードがサポートする周波数帯域にスペクトルターゲットを制限し、データソース間の露出をバランスさせる。 我々は,11の公開EMGソース上で109Mパラメータモデルを事前学習し,ジェスチャー認識,連続力回帰,接触分類で評価する。 EMGBlendは、ランダム初期化と波形再構成制御の整合性を一貫して上回る。 固定予算ソースコントロールは、マルチソース事前学習がジェスチャー認識を改善し、強制復号化の競争力を維持することを示している。 アブレーションは、幾何、バンド認識ターゲット、ソースバランスがそれぞれ転送に寄与することを確認するが、対人NinaPro力推定は依然として難しい。 全体として、EMGBlendは、単純な結合ではなく明示的なメカニズム設計によって、異種EMGデータセットをどのように組み合わせることができるかを示している。 コードはhttps://github.com/tamanano/EMGBlendで入手できる。

関連論文リスト

• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• UMEDA: Unified Multi-modal Efficient Data Fusion for Privacy-Preserving Graph Federated Learning via Spectral-Gated Attention and Diffusion-Based Operator Alignment [20.399005485708273]
  デバイスフリーのローカライゼーションは、エッジデバイスに分散した異種無線および視覚センサーからモデルを訓練する。 クライアントが連続的な積分演算子を共有するグローバルグラフのノードを形成するグラフフェデレーション学習フレームワークであるUMEDAを提案する。 UMEDAは、最先端のフェデレーションベースラインを精度、収束性、通信効率で上回る。
  論文  参考訳（メタデータ） (2026-05-08T08:15:47Z)
• Wireless Communication Enhanced Value Decomposition for Multi-Agent Reinforcement Learning [5.1629948126220055]
  マルチエージェント強化学習(MARL)における協調は、エージェント間コミュニケーションの恩恵を受ける。 ほとんどのアプローチでは、理想化されたチャネルと、誰と情報を共有することに成功した既存の価値分解手法を前提としています。 CLOVERは、リアルな無線チャネルで実現された通信グラフ上に、集中値ミキサーを条件付けした協調的なMARLフレームワークである。
  論文  参考訳（メタデータ） (2026-04-09T19:42:17Z)
• The Radio-Frequency Transformer for Signal Separation [29.348481060446314]
  我々は、未知の非ガウス背景/干渉によって汚染された利害信号の推定という、信号分離の問題を研究する。 我々はSOIのための優れた離散トークン化器を学び、次にエントロピー損失でエンドツーエンドのトランスフォーマーを訓練する。 提案手法は,MIT RF Challengeデータセットから実・合成混合物を合成することにより,競争性能が向上する。
  論文  参考訳（メタデータ） (2026-03-10T05:22:02Z)
• WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
  WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。 評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。 WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-26T14:45:30Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。