論文の概要: Feature extraction for LSTM-based finger-joint angle estimation from sEMG

• arxiv url: http://arxiv.org/abs/2611.02736v1
• Date: Mon, 02 Nov 2026 08:25:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:40:23.395328
• Title: Feature extraction for LSTM-based finger-joint angle estimation from sEMG
• Title（参考訳）: sEMGを用いたLSTMを用いた指関節角度推定のための特徴抽出
• Abstract要約: 本研究は,Ninapro DB2データセット上でのLong Short-Term Memory(LSTM)回帰のための3つの設計選択を系統的に検討する。 ウィンドウサイズ、ステップサイズ、特徴の選択は、非自明に相互作用することが判明した。
• 参考スコア（独自算出の注目度）: 2.466065249430993
• License:
• Abstract: Continuous estimation of finger-joint angles from surface electromyography (sEMG) is a promising approach for controlling dexterous myoelectric prostheses. Deep time series models have been applied successfully in this context, typically relying on feature extraction rather than raw signals, given limited subject-specific data. Various time-domain and frequency-domain features can be used, extracted for a given window and step size. This study systematically investigates these three design choices for Long Short-Term Memory (LSTM) regression on the Ninapro DB2 dataset. Window sizes from 300 to 1200 ms and step sizes from 10 to 100 ms were evaluated in combination with six time- and frequency-domain features. Models were evaluated using regression performance metrics, inference time, and memory footprint to assess feasibility on embedded microcontroller hardware suitable for a prosthetic device. A 300 ms window with a 100 ms step, paired with either the Mean Absolute Value (MAV) or Root Mean Squared (RMS) feature, yielded the best performance (test PCC of 0.779 +/- 0.080 / 0.779 +/- 0.085). Window size, step size, and feature choice were found to interact non-trivially: jointly tuning them can improve both accuracy and computational feasibility for real-time, embedded myoelectric control.
• Abstract（参考訳）: 表面筋電図(sEMG)による指関節角度の連続推定は, 遠位筋電義歯の制御に有望なアプローチである。 ディープ・時系列モデルはこの文脈でうまく適用され、典型的には原信号よりも特徴抽出に頼っている。 時間領域と周波数領域の様々な特徴を使い、与えられたウィンドウとステップサイズから抽出することができる。 本研究は,Ninapro DB2データセット上でのLong Short-Term Memory(LSTM)回帰のための3つの設計選択を系統的に検討する。 ウィンドウサイズは300msから1200ms,ステップサイズは10msから100msに,タイムドメインと周波数ドメインの6つの特徴と組み合わせて評価した。 補綴装置に適した組込みマイクロコントローラハードウェアの実現可能性を評価するため, 回帰性能指標, 推論時間, メモリフットプリントを用いたモデルの評価を行った。 平均絶対値 (MAV) とルート平均正方形 (RMS) のどちらかが組み合わされた300msのウィンドウは、最高の性能を得た(テストPCCは0.779 +/- 0.080 / 0.779 +/- 0.085)。 ウィンドウサイズ、ステップサイズ、特徴の選択は、非自明に相互作用することが判明した。

関連論文リスト

• Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
  両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。 本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2026-06-02T12:32:43Z)
• Toward Safe Autonomous Robotic Endovascular Interventions using World Models [34.54099310430464]
  TD-MPC2上に構築された自律血管ナビゲーションのための世界モデルに基づくフレームワークについて検討する。 患者特化血管の複数ナビゲーションを訓練したTD-MPC2エージェントについて検討した。 我々は、最先端のSoft Actor-Critic(SAC)アルゴリズムエージェントに対して、その性能をベンチマークする。
  論文  参考訳（メタデータ） (2026-04-22T03:32:18Z)
• SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments [1.6135093772405138]
  本研究では,Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) アーキテクチャに基づく高度な侵入検出フレームワークを提案する。 この設計では、Vision Transformerの従来のマルチヘッドアテンション機構をSqueeze-and-Excitation attentionに置き換え、BiLSTM層と統合して検出精度と計算効率を向上させる。 実験結果から,SE ViT-BiLSTMモデルは既存の手法よりも複数の指標で優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T20:48:50Z)
• Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model [29.749836788447226]
  この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。 このモデルは、異なる機能とI-T構成で一貫した結果を示した。 提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
  論文  参考訳（メタデータ） (2026-02-23T15:51:50Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Leveraging Convolutional Sparse Autoencoders for Robust Movement Classification from Low-Density sEMG [0.46976113832881716]
  本研究では,2つの表面筋電図(sEMG)チャネルのみを用いた正確なジェスチャー認識のためのディープラーニングフレームワークを提案する。 最小限の校正データで35.1%$pm$3.1%から92.3%$pm$0.9%のベースラインから、未確認被験者のパフォーマンスを改善した数ショット転送学習プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:21:46Z)
• Fluence Map Prediction with Deep Learning: A Transformer-based Approach [4.362977319915193]
  本研究では, 臨床品質を維持しつつ, フラエンスマップ生成を加速する深層学習フレームワークを提案する。 エンドツーエンドの3D Swin-UNETRネットワークは、体積CT画像と解剖学的輪郭から直接9ビームのフルレンスマップを予測するために訓練された。 提案モデルでは,平均R2は0.95+/-0.02,MAEは0.035+/-0.008,ガンマ通過率は85+/-10%(3%/3mm)であった。
  論文  参考訳（メタデータ） (2025-11-10T19:24:14Z)
• Neurotremor: A wearable Supportive Device for Supporting Upper Limb Muscle Function [0.0]
  上肢機能のためのセンサフューズ型ウェアラブル支援プロトタイプ(トリペスブラキイと伸展性花粉)を提示する。 この装置は、表面筋電図(sEMG)、慣性測定ユニット(IMU)、およびM5StickCとESP32-S3計算ハブのフレキシブル/フォースセンサーを統合する。 コントロールは、コントロールバリア機能付き安全封筒によってバウンドされ、軽量なパーソナライゼーションを備えたゲームベースのタスク内に配信される。
  論文  参考訳（メタデータ） (2025-10-02T00:07:09Z)
• Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
  本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。 現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
  論文  参考訳（メタデータ） (2023-10-12T15:03:50Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)

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。