論文の概要: LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing

• arxiv url: http://arxiv.org/abs/2610.02497v1
• Date: Thu, 01 Oct 2026 21:19:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.090162
• Title: LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing
• Title（参考訳）: LiteEMG-FM:ロバストなEMGセンシングのための効率的でデプロイ可能な基礎モデル
• Abstract要約: 実用的なEMGセンシングのためのCNN-Transformer基盤モデルであるLiteEMG-FMを提案する。 我々は,軽量で常時オンの1D-CNNフィルタがレストや非ターゲットアクティビティを処理し,有効なジェスチャーのみにLiteEMG-FMを起動する階層的な起動アーキテクチャを実装した。 我々は、レイテンシ、消費電力、メモリフットプリントにおけるトレードオフを特徴付ける、完全な推論オフロード、分割推論、フルオンデバイス処理を評価した。
• 参考スコア（独自算出の注目度）: 14.813101752682627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electromyography (EMG) signals vary substantially across individuals, body regions, recording sessions, and sensing hardware, limiting the generalization of models for assistive devices and human-computer interaction. Existing time-series foundation models are also computationally expensive for real-time wearable deployment and often fail to capture EMG-specific time-frequency characteristics. We present LiteEMG-FM, an efficient hybrid CNN-Transformer foundation model for practical EMG sensing. Pretrained on 16 diverse upper- and lower-limb EMG datasets, LiteEMG-FM learns representations that generalize across users and datasets. For resource-constrained deployment, we implement a hierarchical wake-up architecture in which a lightweight, always-on 1D-CNN filters rest and non-target activity and activates LiteEMG-FM only for valid gestures. We evaluate full inference offloading, split inference, and full on-device processing, characterizing their trade-offs in latency, power consumption, and memory footprint. Across diverse evaluation settings, LiteEMG-FM outperforms state-of-the-art time-series foundation models and supervised baselines, particularly under zero-calibration cross-participant and data-scarce conditions. These results demonstrate that LiteEMG-FM is an effective, efficient, and deployable foundation model for EMG applications.
• Abstract（参考訳）: 筋電図(EMG)信号は、個人、身体領域、記録セッション、センシングハードウェアで大きく異なり、補助装置のモデルの一般化や人-コンピュータの相互作用が制限されている。 既存の時系列基盤モデルは、リアルタイムなウェアラブル展開には計算コストがかかり、しばしばEMG固有の時間周波数特性を捉えることができない。 実用的なEMGセンシングのためのCNN-Transformer基盤モデルであるLiteEMG-FMを提案する。 16の多様な上層および下層EMGデータセットに基づいてトレーニングされたLiteEMG-FMは、ユーザとデータセットをまたいだ表現を一般化する。 リソース制約のあるデプロイメントでは、軽量で常時オンの1D-CNNフィルタがレストや非ターゲットアクティビティを処理し、有効なジェスチャーのみにLiteEMG-FMを起動する階層的な起動アーキテクチャを実装している。 我々は、レイテンシ、消費電力、メモリフットプリントにおけるトレードオフを特徴付ける、完全な推論オフロード、分割推論、フルオンデバイス処理を評価した。 さまざまな評価設定を通じて、LiteEMG-FMは最先端の時系列基盤モデルと教師付きベースライン、特にゼロ校正のクロスパーティチカントおよびデータスカース条件で性能を向上する。 これらの結果から,LiteEMG-FMはEMGアプリケーションの効率的な,効率的な,デプロイ可能な基礎モデルであることが示された。

関連論文リスト

• Temporal Feature Extractors in EEG Foundation Models: A Controlled Comparison Including a Pretrained Time-Series Model [2.751147407342378]
  統合脳波基礎モデルにおける3つの時間的特徴抽出戦略を比較した。 我々は,2つの下流課題である運動画像と感情認識を用いた表現品質への影響を評価する。 脳波には特に適応しないが、事前訓練されたTSFMは時間的特徴抽出器として有効である。
  論文  参考訳（メタデータ） (2026-06-29T10:39:40Z)
• EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching [3.4728825864079877]
  深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。
  論文  参考訳（メタデータ） (2026-04-15T10:07:29Z)
• SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
  SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。 睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:14Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge [14.115504534589896]
  表面筋電図(EMG)の軽量基礎モデルTinyMyoについて述べる。 このモデルは、公開データセット上で自己管理的な方法で事前訓練され、3.6Mパラメータのみで高い再構成忠実度を達成する。 手のジェスチャー分類、手動回帰、音声生成、音声認識における一般化を実証し、その性能は最先端技術(SoA)に匹敵するか上回っている。 我々は、私たちの知る限り、EMG FMを超低消費電力マイクロコントローラ(GAP9)に初めて展開し、平均電力エンベロープ36.45mWを達成したことを報告している。
  論文  参考訳（メタデータ） (2025-12-05T17:36:57Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• An Efficient Self-Supervised Framework for Long-Sequence EEG Modeling [2.1232375739287006]
  脳波表現学習のための自己教師型フレームワークであるEEGM2を提案する。 EEGM2は、ショートシーケンスとロングシーケンスの両方のモデリングと分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-25T05:57:56Z)
• 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)
• LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile Augmented Reality [77.00418462388525]
  モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。 我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。 提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2022-05-27T06:11:50Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)

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。