論文の概要: Typing Matters: Muscle, Language and Typing Behaviour in Live Keystroke Decoding from sEMG
- arxiv url: http://arxiv.org/abs/2611.18464v1
- Date: Fri, 13 Nov 2026 17:33:20 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:30:25.091916
- Title: Typing Matters: Muscle, Language and Typing Behaviour in Live Keystroke Decoding from sEMG
- Title(参考訳): タイピングの諸問題: sEMGによるライブケストロークデコードにおける筋・言語・タイピング行動
- Abstract要約: 手首の表面筋電図(sEMG)はキーボードなしでタイプされたテキストを復元することができる。
状態空間モデル上に構築された完全因果的,ゼロ・ルックアヘッドのsEMGタイピングデコーダを提案する。
従来のタイピングデコーダを効率的な自己回帰型言語モデルで融合することにより、これを実現する。
- 参考スコア(独自算出の注目度): 43.0484058393522
- License:
- Abstract: Surface electromyography (sEMG) from the wrists can recover typed text without a keyboard. It is usually posed as a signal-inference problem: characters are read out of the muscle signal and character error rate is reported offline. We argue that this framing removes most of the problem. The decoder is constrained simultaneously by the muscles, by the language being typed, and by typing behaviour such as typos, corrections, backspaces and line breaks, and a usable system must predict keys live while the hand keeps moving. Existing systems fall short on two counts: (1) they process sEMG in fixed windows and carry nothing from one window to the next, discarding context accumulated over a session, and (2) they lack any understanding of the linguistic structure that drives typing, so every keystroke is inferred from the muscle signal alone. We propose a fully causal, zero-lookahead sEMG typing decoder built on a state space model (SSM), in which a single model decodes a whole session without windowed partitions, conditioned on what has already been typed. We achieve this by fusing a traditional typing decoder with an efficient autoregressive language model, instilling both sEMG and linguistic understanding in one model. To train such a model for per-character typing rather than whole-word text, we introduce a retokenization method that rewrites ordinary prose as human-like typing, with keystrokes, typos, backspaces and line breaks included, converting WikiText into a large typing corpus where none existed. Our model, having never seen a single sEMG-to-character transcript in typing, achieves a state-of-the-art character error rate of 25.13% on emg2qwerty's cross-user benchmark, a 5.4% relative improvement over the previous best with 6.7 times fewer parameters, while running strictly causally with no future context.
- Abstract(参考訳): 手首の表面筋電図(sEMG)はキーボードなしでタイプされたテキストを復元することができる。
文字は筋肉信号から読み出され、文字エラー率はオフラインに報告される。
このフレーミングは問題の大部分を取り除きます。
デコーダは筋肉によって同時に拘束され、言語が型付けされ、タイポス、修正、バックスペース、ラインブレークなどのタイピング動作によって、使用可能なシステムは、手を動かしながらキーをライブで予測する必要がある。
既存のシステムは,(1)固定窓でsEMGを処理し,一方の窓から次の窓まで何も持たない,(2)セッション中に蓄積されたコンテキストを破棄する,(2)タイピングを駆動する言語構造についての理解が欠如しているため,すべてのキーストロークは筋肉信号のみから推測される。
状態空間モデル (SSM) 上に構築された完全因果的ゼロのsEMGタイピングデコーダを提案する。
我々は,従来のタイピングデコーダを効率的な自己回帰言語モデルに融合させ,SEMGと言語理解の両方を1つのモデルに注入することで,これを実現する。
単語単位のテキストではなく、文字単位のタイピングをトレーニングするために、キーストローク、タイポ、バックスペース、線分を含む通常の散文を人間のようなタイピングとして書き直し、ウィキテキストを存在しない大きなタイピングコーパスに変換する再学習手法を導入する。
我々のモデルは、入力中に単一のsEMG-to-character transcriptを見たことがないが、Emg2qwertyのクロスユーザーベンチマークでは25.13%という最先端の文字誤り率を実現している。
関連論文リスト
- Detecting LLM-Assisted Vietnamese Writing via Keystrokes under Behavioral Manipulation [1.9347802034271933]
大規模言語モデル (LLM) を用いた筆跡検出のためのキーストローク力学のロバスト性について検討する。
ベトナムのキーストローク・データセットでは、ボナ・フィドの合成、転写、パラフレージングなど、現実的な書き込みモードをキャプチャする。
脅威モデルを実装するために、キーストロークに基づく検出を回避するために設計されたデータの振る舞い操作の変種を作成する。
論文 参考訳(メタデータ) (2026-10-06T03:45:12Z) - From Muscle to Text with MyoText: sEMG to Text via Finger Classification and Transformer-Based Decoding [4.966745649724561]
表面筋電図(sEMG)は筋活動の復号のための直接神経インタフェースを提供する。
我々は,SEMG信号をテキストにデコードする階層的なフレームワークであるMyoTextを,生理学的に基底化した中間段階を通して提示する。
MyoTextは85.4%の指分類精度、5.4%の文字誤り率、6.5%の単語誤り率(WER)でベースラインを上回っている
論文 参考訳(メタデータ) (2026-01-06T15:30:15Z) - Type-Constrained Code Generation with Language Models [51.03439021895432]
本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。
そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。
提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
論文 参考訳(メタデータ) (2025-04-12T15:03:00Z) - Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。
既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。
これらの課題を克服するために、新しい方法論とデータセットを導入します。
論文 参考訳(メタデータ) (2024-12-17T08:47:41Z) - SyllableLM: Learning Coarse Semantic Units for Speech Language Models [21.762112843104028]
本稿では,音声表現を粗い音節単位にマージする制御可能な自己教師手法を提案する。
制御可能なセマンティックユニットを5Hz,60bpsで生成し,SotA incセグメンテーションとクラスタリングを行った。
SyllableLMは、トレーニング計算の30倍の削減と4倍のウォールクロック推論高速化によって、大幅な効率向上を実現している。
論文 参考訳(メタデータ) (2024-10-05T04:29:55Z) - Adapting Transformer Language Models for Predictive Typing in
Brain-Computer Interfaces [3.3961243538813837]
本稿では,複数のワードピースレベルのトランスフォーマーLMを用いて文字予測を行い,入力タスクで評価する。
GPT-2はクリーンテキストで一番良いが、異なるLMはノイズの多い歴史に対して異なる反応をする。
論文 参考訳(メタデータ) (2023-05-05T19:47:41Z) - Quark: Controllable Text Generation with Reinforced Unlearning [68.07749519374089]
大規模言語モデルは、しばしばユーザの期待に合わない振る舞いを学ぶ。
本稿では,(不必要な)特性を定量化する報酬関数を最適化するアルゴリズムQuarkを紹介する。
未学習の毒性、ネガティブな感情、反復について、我々の実験はQuarkが強いベースラインと最先端の強化学習法の両方より優れていることを示している。
論文 参考訳(メタデータ) (2022-05-26T21:11:51Z) - Sentence Bottleneck Autoencoders from Transformer Language Models [53.350633961266375]
我々は、事前訓練されたフリーズトランスフォーマー言語モデルから文レベルのオートエンコーダを構築する。
我々は、文ボトルネックと1層修飾トランスフォーマーデコーダのみを訓練しながら、マスク付き言語モデリングの目的を生成的・認知的言語として適応する。
本研究では,テキスト類似性タスク,スタイル転送,単一文分類タスクにおける事前学習されたトランスフォーマーからの表現をGLUEベンチマークで抽出する手法よりも,大規模な事前学習モデルよりも少ないパラメータを用いて,より高品質な文表現を実現することを示す。
論文 参考訳(メタデータ) (2021-08-31T19:39:55Z) - Adversarial Watermarking Transformer: Towards Tracing Text Provenance
with Data Hiding [80.3811072650087]
自然言語の透かしを防御として研究し,テキストの出所の発見と追跡に役立てる。
本稿では,適応型透かし変換器(AWT)とエンコーダ・デコーダ・デコーダを併用した対向型透かし変換器(AWT)について述べる。
AWTは、テキストにデータを隠蔽する最初のエンドツーエンドモデルである。
論文 参考訳(メタデータ) (2020-09-07T11:01:24Z) - Stacked DeBERT: All Attention in Incomplete Data for Text Classification [8.900866276512364]
変換器から双方向表現を重畳するスタックドデノナイズ(Stacked Denoising Bidirectional Representations)を提案する。
本モデルでは, 感情や意図の分類作業において, 音声テキスト誤りのあるツイートやテキストに現れる非公式/不正テキストにおいて, F1スコアが向上し, 堅牢性が向上したことを示す。
論文 参考訳(メタデータ) (2020-01-01T04:49:23Z)
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。