論文の概要: Cross-User Adaptation for sEMG Gesture Recognition via Continual Learning

• arxiv url: http://arxiv.org/abs/2610.34011v1
• Date: Sun, 25 Oct 2026 02:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.516368
• Title: Cross-User Adaptation for sEMG Gesture Recognition via Continual Learning
• Title（参考訳）: 連続学習によるSEMGジェスチャー認識のためのユーザ間適応
• Abstract要約: 補綴的および補助的インタフェースは、表面筋電図(sEMG)による手の動きの復号化にますます依存している 信号は人固有の要因によって形成されるため、これらの時間的ストリームをモデル化するために一般的に使用されるリカレントニューラルネットワーク(RNN)は、デプロイ後に新しい着用者と新しいジェスチャークラスに適応する必要がある。 連続学習はスクラッチから再学習することなくこの適応を可能にするが、再帰的なsEMGモデルに適用することは容易ではない。
• 参考スコア（独自算出の注目度）: 3.1296288605114824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prosthetic and assistive interfaces increasingly depend on decoding hand gestures from surface electromyography (sEMG). Because the signal is shaped by person-specific factors, the recurrent neural networks (RNNs) commonly used to model these temporal streams must adapt to new wearers and new gesture classes after deployment. Continual learning (CL) enables this adaptation without retraining from scratch, yet applying it to recurrent sEMG models is not straightforward. Standard recurrent training practices can destabilize learning, and which CL strategy holds up under realistic cross-user drift is unestablished. We evaluate three representative CL strategies under domain- and class-incremental drift on NinaPro DB1, and find experience replay to outperform elastic weight consolidation (EWC) and naive fine-tuning. It reaches 83.3% final accuracy for class-incremental drift while limiting forgetting to 1.8-5.8% accuracy drop, as against 16.2-28.5% for EWC and naive training. We further show these models must be trained on shuffled, independently-windowed segments. Streaming windows in temporal order collapses the network into predicting a single dominant gesture, while a shuffled, stateless regime trains stably. Finally, hand-crafted time-domain features raise per-task accuracy by up to about 40% over raw signals, but only replay preserves that gain under class-incremental drift.
• Abstract（参考訳）: 補綴と補助のインターフェースは、表面筋電図(sEMG)から手の動きを復号することにますます依存している。 信号は人固有の要因によって形成されるため、これらの時間的ストリームをモデル化するために一般的に使用されるリカレントニューラルネットワーク(RNN)は、デプロイ後に新しい着用者と新しいジェスチャークラスに適応する必要がある。 連続学習(CL)は、スクラッチから再学習することなくこの適応を可能にするが、繰り返しsEMGモデルに適用することは容易ではない。 標準的なリカレントトレーニングプラクティスは、学習を不安定にし、現実的なユーザ間のドリフトの下でCL戦略が維持されるものは、確立されていない。 我々はNinaPro DB1上でのドメイン・クラス・インクリメンタルドリフト下での3つの代表CL戦略を評価し,弾性ウェイト・コンソリデーション(EWC)とナイーブ微調整(Naive fine-tuning)に優れた再現性を見出した。 EWCの16.2-28.5%とナイーブトレーニングの16.2-28.5%と同様に、クラス増分ドリフトの最終的な精度は83.3%に達し、忘れても1.8-5.8%の精度低下に制限されている。 さらに、これらのモデルはシャッフルされた独立ウィンドウセグメントでトレーニングされなければならないことを示す。 時間順にウィンドウをストリーミングすると、ネットワークが崩壊して単一の支配的なジェスチャーを予測し、シャッフルされたステートレスなレギュレーションは安定して訓練される。 最後に、手作りのタイムドメイン機能は、生信号よりも最大40%の精度でタスク毎の精度を向上するが、リプレイのみは、クラスの増加による増加を保っている。

関連論文リスト

• PriFT: Prior-Support Guided Supervised Fine-Tuning [74.65198014829393]
  Supervised Fine-tuning (SFT) は、下流タスク適応のための効率的なアプローチである。 SFTはトークン単位で固定されたデモトークンに適合する。 凍結した事前訓練参照からトークン重みを導出し、微調整の影響を受けない安定した再重み付け信号を得るPriFTを提案する。
  論文  参考訳（メタデータ） (2026-06-08T12:14:06Z)
• Gated Adaptation for Continual Learning in Human Activity Recognition [4.252135605345159]
  AIモデルは、しばしば破滅的な忘れ込みを示し、新しいタスクを学ぶことは、以前のタスクのパフォーマンスを低下させる。 凍結した事前学習表現のチャネルワイドゲート変調に基づくパラメータ効率の連続学習フレームワークを提案する。 我々のアプローチでは、忘れを39.7%から16.2%に減らし、最終精度を56.7%から77.7%に改善する一方で、パラメータの2%未満のトレーニングを行っている。
  論文  参考訳（メタデータ） (2026-03-08T18:34:42Z)
• Trust Region Continual Learning as an Implicit Meta-Learner [3.705371747297478]
  我々は,生産的リプレイとフィッシャー計量信頼領域制約を併用した,エフェトラスト領域連続学習のハイブリッド視点について検討する。 局所近似では,MAMLスタイルの解釈を単一の暗黙的な内部ステップで行うことができた。 これにより、連続学習における創発的なメタラーニング特性が得られる。
  論文  参考訳（メタデータ） (2026-02-02T18:19:16Z)
• Synchrony-Gated Plasticity with Dopamine Modulation for Spiking Neural Networks [6.085945372100414]
  Dopamine-Modulated Spike-Synchrony-Dependent Plasticity (DA-SSDP) は、損失に敏感な同期型規則である。 DA-SSDPは、バッチレベルでスパイクパターンを同期メトリックに凝縮する。
  論文  参考訳（メタデータ） (2025-12-08T06:10:44Z)
• Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks [0.9939775124582318]
  単一手首搭載慣性測定器(IMU)のみを用いた抵抗運動時の近距離損傷状態のリアルタイムフィードバックシステムを提案する。 ResNetベースのモデルセグメントは、6軸IMUデータからリアルタイムで繰り返し、分類モデルは、ほぼ障害状態に対応する運動窓を特定する。 Raspberry Pi 5への展開は平均で112ms、iPhone 16では23.5msとなり、エッジ計算の可能性が確認された。
  論文  参考訳（メタデータ） (2025-12-05T01:49:47Z)
• Boosted Training of Lightweight Early Exits for Optimizing CNN Image Classification Inference [47.027290803102666]
  我々は、分岐学習と推論時データ分布を整合させるシーケンシャルなトレーニング手法を導入する。 ResNet18バックボーンによるCINIC-10データセットの実験では、BTS-EEが非ブートトレーニングを一貫して上回っていることが示されている。 これらの結果は,産業検査,組込みビジョン,UAVに基づく監視などの応用において,実用的効率の向上をもたらす。
  論文  参考訳（メタデータ） (2025-09-10T06:47:49Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Stable and low-precision training for large-scale vision-language models [108.62077651227607]
  本稿では,大規模言語ビジョンモデルの学習の高速化と安定化のための新しい手法を提案する。 Int8量子化トレーニングのための線形層であるSwitchBackを導入し,13～25%の高速化を実現した。 安定のために、損失スパイクを解析し、二乗勾配が過小評価された後に連続して1～8回発生することを発見した。
  論文  参考訳（メタデータ） (2023-04-25T17:38:18Z)

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。