論文の概要: Is User Calibration Still Necessary for Continuous Myoelectric Control? A Closed-Loop Comparison of Calibration-Free Controllers

• arxiv url: http://arxiv.org/abs/2610.24802v1
• Date: Sat, 17 Oct 2026 18:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:08:09.102
• Title: Is User Calibration Still Necessary for Continuous Myoelectric Control? A Closed-Loop Comparison of Calibration-Free Controllers
• Title（参考訳）: 連続筋電制御にはまだユーザキャリブレーションが必要か? : キャリブレーションフリーコントローラの閉ループ比較
• Abstract要約: 大規模なマルチユーザデータセットでトレーニングされたクロスユーザモデルは、キャリブレーションなしで、見えないユーザからのジェスチャーを認識できるようになった。 本研究では、EMG-EPN-612データセットの306ユーザを対象にトレーニングされた6つのキャリブレーションフリーコントローラを比較し、テスト参加者のキャリブレーションデータなしで使用した。
• 参考スコア（独自算出の注目度）: 0.2752817022620644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The need for user-specific calibration remains an often-cited barrier to widespread adoption of myoelectric control. Cross-user models trained on large multi-user datasets can now recognize gestures from unseen users without calibration, but they have been evaluated almost exclusively offline, leaving open whether calibration is still needed in closed-loop control. This study compared six calibration-free controllers, trained on 306 users of the EMG-EPN-612 dataset and used without any calibration data from the test participant, against three calibrated controllers in a closed-loop Fitts' law target-acquisition task with sixteen participants. The calibrated controllers achieved higher offline balanced accuracy (90.6% against 73.1% for the best controller of each paradigm), but completion rates did not differ significantly between paradigms, and the highest completion rate was achieved by a calibration-free controller. Calibrated controllers moved faster on successful acquisitions, partly because of their individually fitted speed mappings, though not significantly after correction for multiple comparisons. However, every calibration-free controller produced more direct and stable trajectories than every calibrated controller, even after adjusting for cursor speed. Offline accuracy did not predict completion rate across controllers or within participants, and across paradigms higher offline accuracy was associated with poorer trajectory quality in 15 of 16 participants. Without any calibration data from the end user, a model trained across a large population matched calibrated control in completion rate and exceeded it in trajectory quality. The offline accuracy gained through calibration should therefore not be taken as evidence of a closed-loop benefit.
• Abstract（参考訳）: ユーザ固有のキャリブレーションの必要性は、筋電制御を広く採用するための障壁として、今でもしばしば注目されている。 大規模なマルチユーザデータセットでトレーニングされたクロスユーザーモデルは、キャリブレーションなしで、見えないユーザからのジェスチャーを認識できるようになった。 本研究では,EMG-EPN-612データセットの306ユーザを対象にトレーニングを行った6つのキャリブレーションフリーコントローラと,閉ループFitts法定目標獲得タスクにおける3つのキャリブレーションコントローラーを比較した。 校正されたコントローラは、より高いオフラインバランスの精度(各パラダイムの最高のコントローラでは90.6%対73.1%)を達成したが、完成率はパラダイムと大きく違いはなく、校正不要のコントローラによって最高完了率が達成された。 キャリブレーションされたコントローラは、個別に配置された速度マッピングのために、取得を成功させるよりも速く移動した。 しかし、キャリブレーションのない全てのコントローラは、カーソル速度を調整した後でも、全てのキャリブレーションされたコントローラよりも直接的で安定したトラジェクトリを生成した。 オフライン精度は, コントローラ間および参加者内における完了率を予測せず, オフライン精度は16名中15名において低軌道品質に関連していた。 エンドユーザーからのキャリブレーションデータがないと、大人数で訓練されたモデルが完成率でキャリブレーション制御と一致し、軌道品質を上回りました。 したがって、キャリブレーションによって得られるオフライン精度は、クローズドループの利点の証拠とみなすべきではない。

関連論文リスト

• Calibration in One Go: Jointly Learning Accurate and Calibrated Neural Networks [13.023250177904876]
  標準(ポストホック)キャリブレータは、バイレベルなStackelbergの定式化により、バックボーンでエンドツーエンドにトレーニングできることを示す。 この定式化により、別個のキャリブレーションセットや専用キャリブレーション損失が不要になる。 その結果, 最終分類層自体を校正器として用いると, パラメータを加味せずに精度よく校正されたモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2026-10-09T14:54:35Z)
• YOCO: You Only Calibrate Once! Fast Mocap Calibration for Dexterous Teleoperation [16.301209914922]
  YOCOは高速な数ショット、微調整、ペアなしのキャリブレーションフレームワークで、小さなターゲットのポーズからバイアスのあるポーズストリームを修正する。 我々は、InterHandシーケンスに合成ドリフトを付加してYOCOを訓練し、拡張されたInterHandシーケンス、オフラインリアルグローブデータ、デクスタラス遠隔操作タスクを評価する。
  論文  参考訳（メタデータ） (2026-10-08T10:34:05Z)
• Quantitative Rules for Parallel Calibration and Drift-Resilient Maintenance of Large-Scale Superconducting Quantum Processors [29.369936431926998]
  66量子ビット超伝導プロセッサ上のシングルキュービットキャリブレーションは、フルチップのフィデリティ損失を許容する。 6ビットのグリーンバーガー・ホーネ・ザイリンガー状態が89.64%のゼロノイズスペクトルを持つ。 337量子ビットプロセッサ上では、平均1量子ビット誤差を0.023から0.011に削減する。
  論文  参考訳（メタデータ） (2026-10-08T08:23:17Z)
• LiST: Lipschitz Scaling Training for Robust and Calibrated Neural Networks [5.0813117839734145]
  リプシッツ制約モデルでは、設計による堅牢性を保証するが、リプシッツ制約Lのマニュアル選択は、結果として生じる正確さと悪さのトレードオフを規定する。 本研究では, 強制リプシッツ制約と温度スケーリングの理論的, 実証的な関係を示す。 リプシッツスケーリングトレーニング(Lipschitz Scaling Training, LiST)は, グローバルリプシッツ定数を反復的に調整してこの動作点に到達させる, 新たなトレーニングパラダイムである。
  論文  参考訳（メタデータ） (2026-07-08T08:34:01Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Adaptive Calibrator Ensemble for Model Calibration under Distribution Shift [23.794897699193875]
  アダプティブ・キャリブレータ・アンサンブル(ACE)は、通常はキャリブレーション・セットよりも難しいOODデータセットをキャリブレーション・セットに分類する。 ACEは一般に、一連のOODベンチマークにおけるいくつかの最先端のキャリブレーション方式の性能を改善している。
  論文  参考訳（メタデータ） (2023-03-09T15:22:02Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。