論文の概要: EMG Tokenization Preserves Movement Information at a Fraction of the Bitrate

• arxiv url: http://arxiv.org/abs/2610.32674v1
• Date: Fri, 23 Oct 2026 14:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.54211
• Title: EMG Tokenization Preserves Movement Information at a Fraction of the Bitrate
• Title（参考訳）: EMGトークン化はビットレートのフラクションにおける運動情報を保存する
• Abstract要約: コンパクトなEMGトークンは、手動復号のための情報を保持しながらペイロードを大幅に削減することを示す。 格納されたトークン配列は、生のEMGに対して41倍のペイロードを削減し、SPARの連続的な特徴に対して36倍のペイロードを削減した。 これらの知見は、ウェアラブルセンシングと運動復号とのコンパクトなインターフェースとしてトークン化を支援する。
• 参考スコア（独自算出の注目度）: 37.31373989245858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless electromyography (EMG) interfaces must balance electrode coverage against transmission bandwidth. Here, we show that compact EMG tokens substantially reduce payload while retaining information for three-dimensional hand-pose decoding. We evaluate two causal tokenizers fitted without pose labels: an encoder pretrained to reconstruct EMG spectra and one based on SPAR, an engineered spectral-spatial representation of neighbouring electrodes. In personalized, within-session experiments with 320-channel EMG from nine participants, we compare tokenized and continuous features using matched decoder architectures and training procedures. Averaged across decoders, tokenization changed mean error by +0.01 mm for SPAR (95% confidence interval: -0.12 to 0.14) and +0.45 mm for the learned representation (0.10 to 0.82). Both increases met a 1 mm non-inferiority criterion. Stored token arrays reduced payloads 41-fold relative to raw EMG and 36-fold relative to continuous SPAR features. On sampled windows of the public emg2pose benchmark's test partition, absolute differences in mean error between learned tokens and continuous features were below 0.05 mm across 176 participants and in the subset of 20 participants unseen during training. Electrode coverage, calibration, and unseen recordings affected SPAR decoding more than quantization did. In a computational benchmark, optimized SPAR generated tokens for 63 channels within 20 ms on a Cortex-M55 microcontroller. These findings support tokenization as a compact interface between wearable sensing and movement decoding, allowing decoders to be updated while the wearable encoder and transmitted representation remain fixed.
• Abstract（参考訳）: 無線筋電図 (EMG) インタフェースは、伝送帯域と電極被覆のバランスをとる必要がある。 ここでは,コンパクトなEMGトークンは3次元手動復号のための情報を保持しながら,ペイロードを大幅に削減することを示す。 EMGスペクトルを再構成するためのエンコーダと、隣接する電極のスペクトル空間表現であるSPARに基づく2つの因果トークン化器の評価を行った。 9人の参加者による320チャンネルEMGを用いたパーソナライズされたセッション内実験において、一致したデコーダアーキテクチャとトレーニング手順を用いてトークン化および連続的な特徴を比較する。 トークン化により、平均誤差はSPARでは+0.01mm(95%信頼区間:-0.12から0.14)、学習された表現では+0.45mm(0.10から0.82)となった。 両者は1mmの非不妊性基準を満たした。 格納されたトークン配列は、生のEMGに対して41倍のペイロードを削減し、SPARの連続的な特徴に対して36倍のペイロードを削減した。 パブリックなemg2poseベンチマークのテストパーティションのサンプルウィンドウでは、学習トークンと連続した特徴の絶対誤差は、176人の参加者と、トレーニング中に見つからない20人の参加者のサブセットで0.05mm未満であった。 電極被覆、校正、未確認記録は、量子化以上にSPAR復号に影響を及ぼした。 計算ベンチマークでは、最適化されたSPARは、Cortex-M55マイクロコントローラ上で、20ミリ秒以内の63チャンネルのトークンを生成した。 これらの知見は、ウェアラブルセンシングと移動復号の間のコンパクトなインターフェースとしてトークン化をサポートし、ウェアラブルエンコーダと送信表現が固定されている間にデコーダを更新できる。

関連論文リスト

• MyoCodec: A Streaming Neural Codec for Electromyography [58.98907693261496]
  筋電図用低ビットレートストリーミングニューラルコーデックMyoCodec myoCodecは連続EMG信号を、潜伏した特徴から50Hzで動作する離散トークンまで、さまざまなレベルのEMG表現にエンコードする。 ストリーミング推論では、20msのフレーム毎に0.482msの計算時間しか必要とせず、リアルタイムストリーミングを可能にしている。
  論文  参考訳（メタデータ） (2026-09-29T04:29:23Z)
• MEOX: Compact Multimodal Mixture-of-Experts for Earth Observation [0.0]
  我々は,2.939万のパラメータエンコーダと3.115万のパラメータを持つマルチモーダルマスク付きオートエンコーダMEOXを提案する。 センサ固有のアダプタ、明示的な妥当性信号、共有スパース・エキスパートブロックは、モダリティに依存した処理を保存する。 このモデルは64.42%に達し、カシューセグメンテーションでは64ピクセル、ユーロサットでは90.56%の精度で224ピクセルで交差する。
  論文  参考訳（メタデータ） (2026-09-04T16:59:36Z)
• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
  深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。 アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
  論文  参考訳（メタデータ） (2026-06-07T12:17:25Z)
• Asymmetric Phase Coding Audio Watermarking [7.627186551029829]
  Deepfakeオーディオは音声ベースの認証システムに挑戦する。 トレーニング不要なオーディオ用暗号署名層である非対称位相符号化を提案する。 我々は、平均Q.02および数ミリ秒のレイテンシにおける全ての条件で、97.5%から98.3%の暗号検証率を達成する。
  論文  参考訳（メタデータ） (2026-05-08T04:54:59Z)
• A Unified Hardware-to-Decoder Architecture for Hybrid Continuous-Variable and Discrete-Variable Quantum Error Correction in LiDMaS+ [4.11280059407553]
  LiDMaS+(LiDMaS+)は、連続可変量子誤り訂正のためのアーキテクチャレベルのハードウェア-論理-復号器実行スタックである。 本稿では,連続変数と離散変数のハイブリッド量子誤り訂正のためのアーキテクチャレベルのハードウェア-論理-復号器実行スタックを提案する。
  論文  参考訳（メタデータ） (2026-04-16T06:03:06Z)
• Progressive Token Length Scaling in Transformer Encoders for Efficient Universal Segmentation [67.85309547416155]
  ユニバーサルセグメンテーションのための強力なアーキテクチャは、マルチスケールの画像特徴を符号化し、オブジェクトクエリをマスク予測にデコードするトランスフォーマーに依存している。 このようなモデルのスケーリングには効率性が優先されるため、最先端のMask2Formerでは、変換器エンコーダのみに計算の50%を使用しています。 これは、エンコーダ層ごとにすべてのバックボーン機能スケールのトークンレベルの完全な表現が保持されているためである。
  論文  参考訳（メタデータ） (2024-04-23T01:34:20Z)

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。