論文の概要: Neuromotor Hierarchy Network: Physiological Inductive Biases for Robust Generalization in sEMG Decoding

• arxiv url: http://arxiv.org/abs/2610.07713v2
• Date: Wed, 07 Oct 2026 14:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.500641
• Title: Neuromotor Hierarchy Network: Physiological Inductive Biases for Robust Generalization in sEMG Decoding
• Title（参考訳）: Neuromotor Hierarchy Network: sEMGデコードにおけるロバスト一般化のための生理的誘導的ビアーゼ
• Abstract要約: 本稿では,ニューロモビル階層ネットワーク(NHN)を導入し,タスク管理から小型潜伏型ニューロモビル状態の学習を行う。 NHNはニューロモーター組織にインスパイアされた階層構造を通じて、この潜伏状態を構築する。 Emg2pose の連続的手動推定と emg2qwerty のタッチタイピング認識の両方のアーキテクチャを評価する。
• 参考スコア（独自算出の注目度）: 10.358260974142873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface electromyography (sEMG) provides a wearable, noninvasive interface to neuromuscular activity for movement decoding and human-computer interaction. Population-scale decoding remains difficult because the relationship between sEMG and neuromuscular activity varies across users and sessions, while task-relevant dynamics span channels and multiple timescales. Learning waveform-to-output mappings from task labels leaves the distinction between recording variability and coordinated motor activity implicit. We introduce the Neuromotor Hierarchy Network (NHN), which learns a compact latent neuromotor state from task supervision to represent task-relevant neuromuscular coordination. NHN constructs this latent state through a hierarchy inspired by neuromotor organization. It adapts recording statistics while preserving relative intensity. Its spatiotemporal encoder uses parameter-efficient channel interactions and modulates features with multi-timescale history. The resulting features yield candidate activations of learned motor primitives, which are temporally integrated and continuously weighted to form the state. Theoretical analysis characterizes the efficiency, temporal behavior, and optimization of NHN's core mechanisms. We evaluate the architecture for both continuous hand-pose estimation on emg2pose and touch-typing recognition on emg2qwerty. On emg2pose, NHN reduces user-averaged angular error by 0.52% to 2.84% across all three generalization splits in both Regression and Tracking relative to Hadidi et al.'s best task-specific variants, using 48.42% to 48.51% fewer parameters. On emg2qwerty, NHN reduces beam-search character error rate by 19.40% zero-shot and 30.42% after fine-tuning relative to SplashNet-Upscale, using 65.86% fewer parameters. Physiology-guided inference of a latent neuromotor state supports parameter-efficient sEMG decoding.
• Abstract（参考訳）: 表面筋電図 (Surface Electromyography, SEMG) は、運動復号および人-コンピュータ相互作用のための神経筋活動に対するウェアラブルで非侵襲的なインタフェースを提供する。 sEMGと神経筋活動の関係はユーザやセッションによって異なり、タスク関連ダイナミクスはチャネルや複数のタイムスケールにまたがるため、人口規模復号は依然として困難である。 タスクラベルから波形と出力のマッピングを学習することは、記録の変動性と調整された運動活動との区別を暗黙的に残す。 本稿では,タスク管理から小型潜伏型ニューロモトラーを学習し,タスク関連ニューロモトラー調整を表現するニューロモトラー階層ネットワーク(NHN)を紹介する。 NHNはニューロモーター組織にインスパイアされた階層構造を通じて、この潜伏状態を構築する。 相対強度を保ちながら記録統計に適応する。 時空間エンコーダはパラメータ効率のよいチャネル相互作用を使用し、マルチタイムの履歴で特徴を変調する。 結果として得られる特徴は、学習された運動プリミティブの候補活性化をもたらし、それは時間的に統合され、状態を形成するために継続的に重み付けされる。 理論解析は、NHNのコア機構の効率性、時間的挙動、最適化を特徴づける。 Emg2pose の連続的手動推定と emg2qwerty のタッチタイピング認識の両方のアーキテクチャを評価する。 Emg2pose において、NHN は、48.42% から 48.51% のパラメータを用いて、Hadidi など al のタスク固有の最も優れた変種と比較して、回帰と追跡の両方の3つの一般化分割のうち、平均的な角誤差を0.52% から 2.84% に減らした。 emg2qwerty では、NHN は 65.86% のパラメータを使用して、SplashNet-Upscale と比較して、ビーム検索の文字誤り率を 19.40% ゼロショット、30.42% 削減している。 潜在神経運動状態の生理誘導推論はパラメータ効率の高いsEMGデコーディングをサポートする。

関連論文リスト

• Neuron-Guided Fine-Tuning: Unlocking Efficient Alignment Mechanisms for Large Language Models [73.88918843965155]
  既存のSupervised Fine-Tuningパラダイムは、パラメータ冗長性、一貫性のないデータ品質、破滅的な忘れによって悩まされることが多い。 我々は、ニューロン活性化パターンを普遍的なプロキシとして活用し、微調整ライフサイクルを統一する全体的枠組みであるNGFT(Neuron-Guided Fine-Tuning)を提案する。
  論文  参考訳（メタデータ） (2026-09-05T06:13:24Z)
• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Energy-based Autoregressive Generation for Neural Population Dynamics [12.867288040044501]
  本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。 EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-18T07:11:29Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Spiking Neural Networks with Consistent Mapping Relations Allow High-Accuracy Inference [9.667807887916132]
  スパイクベースのニューロモルフィックハードウェアは、低エネルギー消費と効率的な推論において大きな可能性を証明している。 ディープスパイクニューラルネットワークの直接トレーニングは困難であり、変換ベースの手法では未解決の変換エラーのため、かなりの遅延が必要になる。
  論文  参考訳（メタデータ） (2024-06-08T06:40:00Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Mental arithmetic task classification with convolutional neural network based on spectral-temporal features from EEG [0.47248250311484113]
  ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。 ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。 実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
  論文  参考訳（メタデータ） (2022-09-26T02:15:22Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• The Quenching-Activation Behavior of the Gradient Descent Dynamics for Two-layer Neural Network Models [12.865834066050427]
  2層ニューラルネットワークモデルのトレーニングのための勾配降下アルゴリズムについて検討した。 低パラメトリケート状態におけるGDの動的挙動の2つの相について検討した。 クエンチング・アクティベーションプロセスは「単純正則化」の明確なメカニズムを提供するようである
  論文  参考訳（メタデータ） (2020-06-25T14:41:53Z)

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。